Введение

Глава 1
в искусственный
интеллект
В этой главе мы обсудим понятие искусственного интеллекта (ИИ) и спо-
собы его применения для решения реальных задач. Значительную часть сво-
ей повседневной жизни мы проводим, взаимодействуя с интеллектуальными
системами. Такое взаимодействие происходит во время поиска информа-
ции в Интернете, биометрического распознавания лиц, отдавания голосовых
команд. Все эти виды взаимодействий основаны на использовании систем
искусственного интеллекта, которые становятся важным фактором современ-
ного стиля жизни. Подобные системы представляют собой сложные прило-
жения, в которых для решения конкретных задач с помощью искусственного
интеллекта привлекаются математические методы и программные алгорит-
мы. В этой книге вы ознакомитесь с фундаментальными принципами, лежа-
щими в основе создания приложений подобного рода, и изучите примеры
их практической реализации. Конечная цель — научить вас не бояться брать-
ся за новые и трудные задачи, поддающиеся решению с помощью искус-
ственного интеллекта, с которыми вы можете столкнуться в процессе своей
практической деятельности.
В этой главе вы ознакомитесь со следующими темами:

• что такое ИИ и почему следует его изучать;

• применения ИИ;
• разновидности ИИ;
• тест Тьюринга;
• рациональные агенты;

01_ch00-07.indd 21 04.12.2018 19:40:09

 22 Глава 1

• универсальные решатели задач;

• создание интеллектуальных агентов;
• установка Python 3 в различных операционных системах;
• установка необходимых пакетов Python.

Что такое искусственный интеллект

Искусственный интеллект (ИИ) позволяет наделять машины возмож-
ностями, имитирующими интеллектуальное поведение человека и его спо-
собность рассуждать. Машины управляются программным обеспечением,
поэтому ИИ имеет много общего с интеллектуальными программами, кон-
тролирующими поведение машин. Наука об ИИ разрабатывает теории и
методологии, позволяющие машинам оценивать окружающую обстановку и
реагировать на различные ситуации так, как на них реагировал бы человек.
Как показывает тщательный анализ направлений развития науки об ИИ,
в своих попытках дать определение ИИ ученые применяли различные под-
ходы. В современном мире ИИ задействуется во многих областях, принимая
самые разнообразные формы. Мы хотим, чтобы машины могли ощущать и
рассуждать, думать и действовать. Кроме того, мы хотим, чтобы поведение
машин было рациональным.
Работы в области ИИ тесно связаны с изучением свойств человеческого
мозга. Исследователи полагают, что понимание принципов работы мозга
сделает создание ИИ вполне осуществимой задачей. Имитируя процессы,
происходящие в человеческом мозге в процессе обучения, мышления и при-
нятия решений, мы можем создать машину, способную делать то же самое.
Такая машина послужит платформой для создания систем, способных к об-
учению.

Зачем нужно изучать ИИ?

Успехи в создании ИИ способны повлиять на все аспекты нашей жизни.
Исследования в этой области направлены на изучение свойств и закономер-
ностей поведения объектов. С помощью ИИ мы хотим создавать умные си-
стемы и стремимся понять, как заставить машины выполнять творческие
функции. Реализуя интеллектуальные системы, мы приближаемся к пони-
манию того, каким образом одни интеллектуальные системы, подобные на-
шему мозгу, способны справляться с созданием других.
Рис. 1.1 дает некоторое представление о процессе обработки информации
нашим мозгом.

01_ch00-07.indd 22 04.12.2018 19:40:09

 Введение в искусственный интеллект 23

Неокортекс Абстрактное мышление

Возрастание сложности

Лимбическая система Поведение, эмоции

Средний мозг Моторика, аппетит

Мозговой ствол Частота пульса, температура тела

Рис. 1.1
По сравнению с другими областями науки, такими как математика или
физика, которые существуют столетиями, наука об ИИ сравнительно моло-
дая. За последние два десятилетия она продемонстрировала замечательные
достижения, примерами которых могут служить беспилотные автомобили и
интеллектуальные шагающие роботы. Уже достигнутые результаты делают
довольно очевидным тот факт, что исследования в области ИИ способны ко-
ренным образом изменить нашу жизнь в ближайшие годы.
Можно лишь удивляться тому, как человеческий мозг справляется с об-
работкой огромных объемов информации с минимальными усилиями. Мы
распознаем объекты, понимаем другие языки, учимся новому и выполняем
множество разнообразных сложных задач. Каким образом нашему мозгу
удается это делать? Пытаясь делать то же самое с помощью машин, мы ви-
дим, что они остаются далеко позади! Например, рассуждая о таких вещах,
как внеземная жизнь или путешествия во времени, мы даже не уверены в
том, могут ли они существовать на самом деле. Хорошая новость относитель-
но Святого Грааля ИИ заключается в том, что нам достоверно известно о его
существовании. Этим Святым Граалем является наш мозг! Он служит ярчай-
шим примером интеллектуальной системы. Нам нужно лишь сымитировать
его функциональность для создания систем, способных делать нечто похо-
жее, а возможно, даже большее.

01_ch00-07.indd 23 04.12.2018 19:40:10

 24 Глава 1

Отдельные этапы преобразования исходных данных в знания можно ус-

ловно представить в виде следующей схемы (рис. 1.2).

Рассуждение

Вывод
умозаключений

Понимание

Обнаружение
закономерностей

Знание

Познание

Информация

Обработка

Данные

Рис. 1.2

Одна из основных причин нашего стремления к изучению ИИ — возмож-

ность автоматизации многих процессов. Мы живем в мире, в котором:

• приходится иметь дело с огромными объемами данных, с обработкой

которых человеческий мозг просто не в состоянии справиться;
• данные поступают одновременно из множества источников;
• эти данные не структурированы и поступают хаотично;
• знания, полученные на основе этих данных, должны непрерывно обнов-
ляться, поскольку сами данные подвержены постоянным изменениям;
• восприятие данных и ответная реакция на них должны с высокой точ-
ностью осуществляться в режиме реального времени.

01_ch00-07.indd 24 04.12.2018 19:40:12

 Введение в искусственный интеллект 25

Несмотря на то что человеческий мозг проявляет замечательные способ-

ности в отношении анализа окружающей обстановки, его возможностей
недостаточно для удовлетворения всех перечисленных выше условий. Сле-
довательно, мы вынуждены изобретать и разрабатывать интеллектуальные
системы, позволяющие преодолеть это ограничение. Нам нужны системы
искусственного интеллекта, которые могли бы:

• эффективно обрабатывать большие объемы данных, хранение которых в

настоящее время стало возможным благодаря облачным вычислениям;
• получать данные одновременно из нескольких источников без ка-
ких-либо задержек;
• индексировать и организовывать данные способами, обеспечивающи-
ми возможность их осмысления;
• обучаться на новых данных и постоянно обновлять получаемые знания,
используя подходящие алгоритмы обучения;
• принимать решения и реагировать на изменяющиеся обстоятельства в
режиме реального времени.

Методики ИИ активно используются для совершенствования существую-

щих машин, чтобы они становились все умнее и могли быстрее и эффектив-
нее выполнять возложенные на них функции.

Области применения ИИ
Теперь, когда вы уже знаете, как обрабатывается информация, мы можем
перейти к рассмотрению применения ИИ в реальной жизни. ИИ проявляет
себя в разных формах, поэтому очень важно понимать, чем именно он может
быть полезен для той или иной сферы деятельности. ИИ интенсивно исполь-
зуется во многих областях, и круг его применений чрезвычайно быстро рас-
ширяется. Рассмотрим наиболее популярные из них.

• Компьютерное зрение. Разработаны системы, предназначенные для

обработки таких визуальных данных, как изображения и видео. Такие
системы анализируют содержание изображений и извлекают полез-
ную информацию на основании предоставленных типовых образцов.
Например, Google использует технологию реверсивного (обратного) поис­
ка изображений для нахождения визуально подобных изображений в
Интернете (рис. 1.3).
• Обработка естественного языка. Системы этого типа предназначе-
ны для распознавания текстов, написанных на естественных языках. Мы
можем взаимодействовать с машиной, передавая ей команды в виде

01_ch00-07.indd 25 04.12.2018 19:40:12

 26 Глава 1

текстовых предложений. Поисковые системы интенсивно используют

эту технологию для доставки релевантных результатов поиска пользо-
вателям.

Рис. 1.3

• Распознавание речи. Эти системы способны воспринимать звуко-

вую информацию и понимать произносимые слова. Например, наши
смартфоны оборудованы интеллектуальными персональными помощ-
никами, которые понимают голосовые команды и реагируют на них
предоставлением соответствующей информации или выполнением за-
прошенных действий.
• Экспертные системы. В этих системах методики ИИ используют-
ся для принятия решений или предоставления соответствующих ре-
комендаций. Как правило, в таких областях, как финансы, медицина,
маркетинг и др., для этой цели используют базы знаний. На рис.  1.4
иллюстрируется, что собой представляет экспертная система и как она
взаимодействует с пользователем.
• Игры. ИИ широко применяется в индустрии игр. Он используется
для проектирования интеллектуальных агентов, способных состязаться

01_ch00-07.indd 26 04.12.2018 19:40:13

 Введение в искусственный интеллект 27

в мастерстве игры с человеком. В качестве примера можно привести

AlphaGo  — компьютерную программу, которая умеет играть в стра-
тегическую игру Go. ИИ также используется для проектирования игр
другого типа, в которых от компьютера ожидается интеллектуальное
поведение.

База знаний Данные

Пользователь
Механизм Экспертиза
умозаключений

База данных и тренировка

Рис. 1.4

• Робототехника. Робототехнические системы в действительности объ-

единяют в себе многие концепции ИИ. Эти системы способны вы-
полнять множество самых разнообразных задач. В зависимости от
ситуации, роботы могут оборудоваться датчиками и приводными
элементами, обеспечивающими выполнение всевозможных действий.
Датчики могут распознавать предметы, находящиеся в поле их зрения,
измерять их температуру, реагировать на выделяемое ими тепло или
совершаемые ими движения и т.п. Вмонтированные в электронные
платы процессоры выполняют необходимые расчеты в режиме реаль-
ного времени. Кроме того, роботы могут адаптировать свое поведение к
изменению внешних условий.

Направления исследований ИИ
Очень важно понимать суть различных направлений исследования ИИ,
поскольку это позволит вам выбрать наиболее подходящую платформу для
решения стоящей перед вами задачи. Ниже перечислены темы, которые до-
минируют в этой области.

01_ch00-07.indd 27 04.12.2018 19:40:14

 28 Глава 1

• Машинное обучение и распознавание образов. Возможно, это

наиболее популярное направление разработок в области ИИ. Мы
проектируем и разрабатываем программы, способные учиться на пре-
доставляемых им данных. На основании моделей обучения мы можем
составлять прогнозы, касающиеся неизвестных данных. В этом отноше-
нии одним из основных ограничений является то обстоятельство, что
эффективность подобных программ ограничивается мощностью дан-
ных. Принцип функционирования типичной системы машинного обу-
чения иллюстрируется на рис. 1.5.

Данные

Предварительная
обработка

Обучение

Оптимизация

Модель машинного обучения

Рис. 1.5
Получая результаты наблюдения, система тренируется, сравнивая их
с теми результатами, которые уже наблюдались в предоставленных ей
примерах с известным ответом. Например, в случае системы распоз-
навания лиц программа будет пытаться найти соответствие образцам
глаз, носа, губ, бровей и т.п. с целью идентификации личности на осно-
ве соответствующих изображений, хранящихся в базе данных пользова-
телей.
• Логический ИИ. Для выполнения программ в системах логическо-
го ИИ используются методы математической логики. Программа ло-
гического ИИ в основном представляет собой набор утверждений в

01_ch00-07.indd 28 04.12.2018 19:40:15

 Введение в искусственный интеллект 29

логической форме, которые выражают факты и правила, относящиеся

к конкретной предметной области. Подобные подходы интенсивно ис-
пользуются для установления соответствия шаблонам, парсинга текста,
семантического анализа, а также при решении ряда других задач.
• Поиск. В программах ИИ широко используются методы поиска. Такие
программы исследуют большое количество всевозможных вариантов и
выбирают наиболее оптимальный из них. Например, такой подход час­
то применяется во многих стратегических играх, в частности в шахма-
тах, а также при управлении компьютерными сетями, распределении
ресурсов, планировании и т.п.
• Представление знаний. Чтобы факты, относящиеся к окружающему
нас миру, имели для системы смысл, они должны предоставляться ей
в той или иной форме. Для этой цели часто используют языки матема-
тической логики. При удачно выбранной форме представления знаний
система способна функционировать более интеллектуальным образом.
Близкой к этому областью исследований является онтология, которая
имеет дело с формализацией описания существующих видов объектов.
Информационные онтологии дают формальные определения свойств
объектов и отношений между ними, существующих в конкретной
предметной области. Обычно это делается с привлечением определен-
ной таксономии или некоторой иерархической структуры. Диаграмма,
приведенная на рис. 1.6, поясняет различие между информацией и зна-
ниями.

Информация Знания

Рис. 1.6

01_ch00-07.indd 29 04.12.2018 19:40:16

 30 Глава 1

• Планирование. Это направление связано с оптимальным планиро-

ванием, обеспечивающим максимально возможную отдачу при ми-
нимальных затратах. В подобных программах исходными данными
служат факты, относящиеся к конкретной ситуации, и формулировка
цели. Таким программам также должны быть известны факты о внеш-
нем мире, чтобы они ориентировались в том, какими правилами сле-
дует руководствоваться. На основании предоставленной информации
программа генерирует наиболее оптимальный план, обеспечивающий
достижение поставленной цели.
• Эвристика. Эвристика — это методология, использовать которую наи-
более целесообразно в тех случаях, когда решение задачи должно быть
найдено в кратчайшие сроки, но при этом не требуется, чтобы полу-
ченное решение было оптимальным. Здесь речь идет скорее о выдви-
жении правдоподобной гипотезы относительно подхода, который
должен быть предпринят для решения задачи. В исследованиях ИИ
часто встречаются ситуации, когда мы не можем проверить каждую из
имеющихся возможностей, чтобы затем выбрать наилучший вариант.
Именно в таких случаях и приходится прибегать к эвристическим ме-
тодам для достижения своих целей. Эти методы широко используются
в таких областях ИИ, как робототехника, поисковые системы и т.п.
• Генетическое программирование. Это автоматический подбор про-
граммы для решения определенной задачи путем объединения возмож-
ностей программ и выбора их комбинированного варианта, наиболее
пригодного для данной задачи. Код таких программ пишется в виде на-
бора генов с использованием алгоритма, который обеспечивает получе-
ние программы, способной найти действительно эффективное решение
поставленной задачи.

Оценка уровня искусственного интеллекта

с помощью теста Тьюринга
Легендарный математик и компьютерный ученый Алан Тьюринг предло-
жил тест, названный в его честь тестом Тьюринга, который позволяет опреде-
лить уровень “интеллектуальности” машины. С помощью этого теста можно
проверить, способен ли компьютер имитировать поведение мыслящих су-
ществ. Тьюринг определил как разумное такое поведение компьютера, кото-
рое в процессе “беседы” с ним невозможно отличить от поведения человека.
Этого было бы достаточно для того, чтобы убедить интервьюера в том, что
ответы на поставленные им вопросы даются человеком.

01_ch00-07.indd 30 04.12.2018 19:40:16

 Введение в искусственный интеллект 31

Чтобы проверить, способны ли на подобное машины, Тьюринг предло-

жил следующую организацию теста: адресованные машине вопросы долж-
ны задаваться человеком посредством текстового интерфейса. В качестве еще
одного ограничения он указал, что человек, задающий вопросы, не должен
знать, кто именно выступает в качестве его собеседника  — человек или ма-
шина, т.е. предполагается, что собеседником может быть как машина, так и
человек. Чтобы реализовать описанную схему теста, человек должен взаимо-
действовать с обоими объектами посредством текстового интерфейса. Эти
два объекта называются респондентами. Одним из них должен быть человек,
другим — машина.
Машина-респондент проходит тест, если интервьюеру не удается опреде-
лить, от кого исходили ответы — от машины или от человека. Схема органи-
зации теста Тьюринга представлена на рис. 1.7.

Респонденты

Интервьюер

Рис. 1.7

Как нетрудно догадаться, для машины-респондента это задание является

довольно трудным. В процессе беседы происходит очень многое. Как мини-
мум машина должна хорошо справляться со следующими задачами.

01_ch00-07.indd 31 04.12.2018 19:40:17

 32 Глава 1

• Обработка естественного языка. Это необходимо машинам для того,

чтобы они могли общаться с интервьюером. Машина должна уметь вы-
полнять синтаксический анализ предложений, определять контекст и
адекватно отвечать на вопросы.
• Представление знаний. Машина нуждается в сохранении информа-
ции, предоставленной ей до проведения диалога. Она также должна
отслеживать информацию, полученную в процессе диалога, чтобы ис-
пользовать ее повторно, если в этом возникнет необходимость.
• Вывод умозаключений. Очень важно, чтобы машина понимала, ка-
ким образом следует интерпретировать сохраненную информацию.
Обычно у людей это происходит автоматически, что позволяет им вы-
водить умозаключения в режиме реального времени.
• Машинное обучение. Это необходимо для того, чтобы машина мог-
ла приспосабливаться к новым условиям в режиме реального времени.
Машина должна анализировать и обнаруживать закономерности, что-
бы выводить соответствующие умозаключения.

Вы, должно быть, задумались над тем, почему человек, участвующий в

тесте, должен использовать текстовый интерфейс в процессе общения. Со-
гласно Тьюрингу, физическая имитация человека является излишней для
данного теста. В этом и заключается причина, по которой тест Тьюринга про-
водится без прямого физического контакта между человеком и машиной.
Существует также полный тест Тьюринга, включающий эффекты зрения и
движения. Чтобы пройти такой тест, машина должна видеть объекты, ис-
пользуя машинное зрение, и перемещаться, используя робототехнику.

Как научить машины мыслить

подобно людям
На протяжении десятилетий мы пытаемся создать машину, которая мог-
ла бы мыслить, как человек. Для этого нам прежде всего нужно понять, как
мыслят люди. Как мы должны действовать, чтобы понять природу человечес­
кого мышления? Например, можно было бы вести записи, фиксирующие
нашу реакцию на то, что происходит вокруг. Но этот способ очень быстро об-
наружит свою бесперспективность из-за огромного количества необходимых
записей. Другой подход основан на проведении экспериментов предопреде-
ленного формата. Мы разрабатываем серию вопросов, которые охватывают
широкий спектр тем, имеющих непосредственное отношение к человеку, а
затем анализируем, как люди на них отвечают.

01_ch00-07.indd 32 04.12.2018 19:40:17

 Введение в искусственный интеллект 33

Как только будет собран достаточно большой объем данных, мы сможем

построить модель, имитирующую поведение человека. Далее эту модель
можно будет использовать для создания программного обеспечения, спо-
собного думать, как люди. Конечно, легко сказать, да трудно сделать! Все, что
нас интересует, — это выходная информация, предоставляемая программой
в ответ на входную информацию. Если поведение программы согласуется с
поведением человека, то мы можем сказать, что мышление человека описы-
вается аналогичным механизмом.
Человеческое мышление можно условно разбить на несколько уровней,
которые представлены на рис.  1.8, иллюстрирующем их иерархическую
структуру.

Когнитивный

Поведенческий

Физический

Кинематический

Геометрический

Рис. 1.8

Существует целый раздел компьютерной науки  — когнитивное моде­

лирование, которое занимается имитацией мыслительного процесса чело-
века. Его целью является достижение понимания того, как люди решают
задачи. Специалисты по когнитивному моделированию анализируют, какие

01_ch00-07.indd 33 04.12.2018 19:40:18

 34 Глава 1

умственные процессы оказываются вовлеченными в поиск решения, и на ос-

новании этого строят программную модель. Впоследствии эта модель при-
меняется для имитации поведения человека. Когнитивное моделирование
задействуется во многих приложениях ИИ, таких как глубокое обучение, экс-
пертные системы, обработка естественного языка, робототехника и др.

Создание рациональных агентов

Многие исследования в области ИИ нацелены на создание рациональных
агентов. Что такое рациональный агент? Прежде чем обсудить это поня-
тие, определим смысл термина “рациональность”. Рациональность  — это
выполнение действий, которые соответствуют данным конкретным обстоя-
тельствам. Действия должны выполняться таким образом, чтобы принести
максимальную выгоду выполняющему их объекту. Говорят, что агент дей-
ствует рационально, если он, придерживаясь установленного набора пра-
вил, выполняет действия, направленные на достижение поставленной цели.
Он принимает решения и действует исключительно в соответствии с имею-
щейся информацией. Подобные системы широко применяются для проек-
тирования роботов, предназначенных для выполнения различных заданий в
незнакомой местности.
Но что такое соответствующие действия? Ответ зависит от того, какие за­­-
дачи поставлены перед агентом. Предполагается, что агент действует интел­
лектуально, без вмешательства человека. Мы хотим наделить агента спо­­соб­­-
ностью приспосабливаться к новым ситуациям. Он должен адекватно оце­­
нивать окружающую обстановку и действовать так, чтобы добиться наилуч-
ших с его точки зрения результатов. Наилучшие результаты диктуются общей
целью, которую он пытается достигнуть. На рис. 1.9 представлена условная схе-
ма того, как входная информация преобразуется в действия.
А как нам измерить эффективность действий рационального агента? Кто-
то скажет, что такой мерой могла бы служить степень достижения успеха.
Агент настраивается на решение определенной задачи, поэтому оценка эф-
фективности зависит от того, какой процент задачи выполнен. Но мы долж-
ны задуматься над тем, что именно составляет сущность рационализма во
всей полноте этого понятия. Если говорить только о результатах, то может
ли агент предпринять какие-либо действия для получения данного резуль-
тата?
Несомненно, что способность делать правильные умозаключения являет-
ся необходимым компонентом рационального поведения, поскольку агент
должен действовать рационально для достижения своих целей. Это свойство
позволит ему приходить к правильным выводам, которыми можно после-
довательно руководствоваться. А что можно сказать о ситуациях, в которых

01_ch00-07.indd 34 04.12.2018 19:40:19

 Введение в искусственный интеллект 35

отсутствует возможность предпринимать доказуемо правильные действия?

Бывают такие ситуации, в которых агент не знает, что ему делать, но в то же
время он должен как-то действовать. В подобных случаях мы не может ис-
пользовать концепцию логических выводов для определения рационального
поведения.

Данные

Сенсор

Препроцессор

Функция агента

Актуатор

Действие

Рис. 1.9

Универсальный решатель задач

Универсальный решатель задач (General Problem Solver — GPS) — про-
грамма ИИ, предложенная Гербертом Саймоном, Джоном Клиффордом
Шоу и Алленом Ньюэллом. Это была первая компьютерная программа, по-
явившаяся в мире ИИ. Она разрабатывалась для создания универсальной ма-
шины, способной решать задачи. Разумеется, к тому времени существовало
множество компьютерных программ, но все они выполняли вполне опреде-
ленные задачи. GPS была первой программой, предназначенной для реше-
ния задач произвольного типа. По замыслу ее авторов для решения любой
задачи программа должна была использовать один и тот же алгоритм.

01_ch00-07.indd 35 04.12.2018 19:40:20

 36 Глава 1

Совершенно очевидно, что реализовать эту амбициозную цель оказалось

не так-то просто. Для этого авторам программы потребовалось создать но-
вый язык — IPL (Information Processing Language — язык обработки инфор-
мации). Работа программы базировалась на возможности формулирования
любой задачи с помощью набора формул. Эти формулы становились частью
направленного графа, имеющего множество источников и стоков. Приме-
нительно к графам термин источник относится к начальному узлу, а термин
сток  — к конечному. В случае GPS источниками служат аксиомы, а стока-
ми — логические выводы.
Хотя GPS задумывалась в качестве универсального средства, она могла ре-
шать лишь такие хорошо определенные задачи, как доказательство геометри-
ческих и логических теорем. Она также могла решать головоломки и играть
в шахматы. Это обусловлено тем, что подобные задачи могли быть в доста-
точной степени формализованы. Но в случае реальных задач формализа-
ция очень быстро становится трудноразрешимой проблемой из-за наличия
большого количества возможных дальнейших шагов, которые приходит-
ся учитывать. При попытке решения задачи методом грубой силы, т.е.  пу-
­тем подсчета количества путей в графе, вычисление решения становится
практически нереализуемым.

Решение задач с помощью GPS

Рассмотрим структурирование конкретной задачи для получения ее ре-
шения с помощью GPS.

1. Первый шаг состоит в определении целей. Пусть нашей целью будет

покупка молока в магазине.
2. Следующим шагом является определение предусловий. Эти предусло-
вия связаны с целями. Чтобы доставить молоко из магазина, оно должно
быть в нем в наличии и мы должны располагать средством его транс-
портировки.
3. После этого мы должны определить операторы. Если средством транс-
портировки является автомобиль, который нуждается в дозаправке
горючим, то мы должны быть уверены в том, что сможем заплатить
нужную сумму на автозаправке. Мы также должны убедиться в том, что
у нас останется достаточно денег для того, чтобы заплатить за молоко в
магазине.

Оператор заботится об условиях и обо всем, что на них влияет. Он состоит

из действий, предусловий и изменений, являющихся результатом предприни-
маемых действий. В данном случае действием является уплата денег магазину.

01_ch00-07.indd 36 04.12.2018 19:40:20

 Введение в искусственный интеллект 37

Конечно же, возможность совершения этого действия зависит в первую оче-

редь от наличия денег, что служит предусловием. Выплачивая магазину день-
ги, вы изменяете их состояние, в результате чего получаете молоко.
GPS будет работать только в том случае, если вам удастся структурировать
задачу, как мы это только что сделали. Основным ограничением является
необходимость проведения трудоемкой процедуры поиска, без которой GPS
не может обойтись в процессе выполнения своей работы и которая отнимает
много времени при решении любой реальной задачи.

Создание интеллектуальных агентов

Существуют разные способы создания интеллектуальных агентов. К чис-
лу наиболее распространенных из них относятся машинное обучение, базы
знаний, наборы правил и др. В этом разделе мы ограничимся подходом, ос-
нованным на машинном обучении. Данный метод предполагает наделение
агента интеллектуальными способностями посредством тренировки (обуче-
ния) на известных данных.
На рис. 1.10 представлена общая схема взаимодействия интеллектуально-
го агента с окружением.

Окружение

Входные сигналы Действие

Сенсоры Актуаторы

Извлечение признаков Механизм вывода

Модель обучения

Интеллектуальный агент

Рис. 1.10

01_ch00-07.indd 37 04.12.2018 19:40:21

 38 Глава 1

Применяя машинное обучение, мы стремимся программировать маши-

ны так, чтобы они могли использовать маркированные данные для решения
любой конкретной задачи. Прогоняя через машину данные и ассоциирован-
ные с ними маркеры, мы учим ее распознавать образы и отношения между
ними.
В предыдущем примере работа интеллектуального агента зависит от мо-
дели обучения, используемой для работы механизма логического вывода.
Получив входной сигнал, сенсор посылает его в блок извлечения признаков.
После извлечения соответствующих признаков тренируемый механизм вы-
вода строит соответствующий прогноз на основании модели обучения. Эта
модель обучения создается с использованием машинного обучения. Затем
механизм вывода принимает решение и передает его актуатору, который вы-
полняет требуемое действие в реальном окружении.
В настоящее время машинное обучение находит множество применений.
Оно используется для распознавания образов и речи, прогнозирования ры-
ночных тенденций, в робототехнике и других областях. Чтобы понять сущ-
ность машинного обучения и научиться создавать полные решения, вам
потребуется знакомство со множеством технологий, таких как распознавание
образов, искусственные нейронные сети, добыча данных, статистика и т.п.

Типы моделей
В мире ИИ существует два типа моделей: аналитические и обучаемые. До
появления машин, способных выполнять необходимые вычисления, обычно
использовались аналитические модели. Они основывались на математических
формулировках, представляющих собой, по сути, описание последователь-
ных шагов, которые требовалось выполнить для получения окончательного
уравнения. Проблемой этого подхода является то, что он зависит от суждений
человека. Как следствие, подобные модели были упрощенными и страдали не-
точностью, обусловленной недостаточно большим количеством па­ра­метров.
Затем наступила эра компьютеров. Компьютеры хорошо справлялись с
анализом данных. Поэтому со временем все шире стали использоваться обу­
чаемые модели. Такие модели создаются посредством тренировки. Для полу-
чения уравнения в процессе тренировки машины просматривают множество
примеров входных и соответствующих выходных данных. Подобным обуча-
емым моделям свойственны сложность и высокая точность, поскольку в них
учитываются тысячи параметров. Это приводит к тому, что результирующее
уравнение, управляющее данными, оказывается чрезвычайно сложным.
Методы машинного обучения позволяют получать такие обучаемые моде-
ли, которые могут быть использованы в механизме вывода. Наиболее благо-
приятным для нас следствием этого факта является то, что в данном случае

01_ch00-07.indd 38 04.12.2018 19:40:21

 Введение в искусственный интеллект 39

мы избавлены от необходимости выводить базовые математические форму-

лы. От нас не требуется владение сложным математическим аппаратом, по-
скольку машина извлекает эти формулы на основании данных. Все, что мы
должны сделать,  — предоставить соответствующие списки входных и вы-
ходных значений. Обученная модель, которую мы при этом получаем, всего
лишь отражает отношения между маркированными входными и желаемы-
ми выходными значениями.

Установка Python 3
Все примеры, приведенные в книге, были получены с использованием
Python 3. Убедитесь в том, что в вашей системе установлена последняя вер-
сия Python  3. Чтобы это проверить, введите в окне терминала следующую
команду:
$ python3 --version

Если отобразится нечто вроде Python 3.x.x (где x.x — номера версии),
то устанавливать Python не потребуется. В противном случае выполнить про-
цедуру установки будет совсем несложно.

Установка в Ubuntu
В версиях Ubuntu 14.xx и выше Python  3 установлен по умолчанию. Если
это не так, выполните установку с помощью следующей команды:
$ sudo apt-get install python3

После этого выполните вышеупомянутую проверку версии.

$ python3 --version

Номер установленной версии отобразится в окне вашего терминала.

Установка в Mac OS X
Если вы работаете в системе Mac OS X, то для установки Python 3 рекомен-
дуется использовать пакет Homebrew. Это замечательный пакет-установщик,
предназначенный для Mac OS X, которым действительно легко пользоваться.
В случае отсутствия этого пакета вы сможете установить его с помощью сле-
дующей команды:
$ ruby -e "$(curl -fsSL
https://raw.githubusercontent.com/Homebrew/install/master/install)"

01_ch00-07.indd 39 04.12.2018 19:40:22

 40 Глава 1

После этого можно обновить менеджер пакетов.

$ brew update

Теперь можно установить Python 3.

$ brew install python3

Выполните вышеупомянутую проверку версии.

$ python3 --version

Номер установленной версии отобразится в окне вашего терминала.

Установка в Windows
Если вы работаете в Windows, то рекомендуется использовать дистрибу-
тив Python 3, соответствующий спецификации SciPy-stack. В этом отношении
весьма популярен и легок в использовании дистрибутив Anaconda. Соответ-
ствующие инструкции по его установке вы найдете по адресу https://www.
continuum.io/downloads.
Если вы хотите ознакомиться с возможностями других дистрибутивов
Python 3, совместимых со спецификацией SciPy-stack, посетите веб-страницу
http://www.scipy.org/install.html. В этих дистрибутивах хорошо то, что
они поставляются со всеми необходимыми предустановленными пакетами.
При использовании любой из этих версий вам не придется устанавливать па-
кеты по отдельности.
Завершив установку, выполните вышеупомянутую команду проверки.
$ python3 --version

Номер установленной версии отобразится в окне вашего терминала.

Установка пакетов
На протяжении всей книги мы будем использовать различные пакеты, та-
кие как NumPy, SciPy, scikit-learn и matplotlib. Убедитесь в том, что эти пакеты
установлены в вашей системе, прежде чем продолжить чтение.
Если вы используете Ubuntu или Mac OS X, то установка указанных паке-
тов не составит труда. Каждый из них устанавливается с помощью команды,
умещающейся в одной строке в окне терминала. Соответствующие ссылки,
касающиеся установки, приведены ниже.

• NumPy
http://docs.scipy.org/doc/numpy-1.10.1/user/install.html
• SciPy
http://www.scipy.org/install.html

01_ch00-07.indd 40 04.12.2018 19:40:22

 Введение в искусственный интеллект 41

• scikit-learn
http://scikit-learn.org/stable/install.html
• matplotlib
http://matplotlib.org/1.4.2/users/installing.html
Если вы работаете в Windows, то вам достаточно установить версию
Python 3, соответствующую спецификации SciPy-stack.

Загрузка данных
Для построения модели обучения нам нужны данные, представляющие
внешний мир. Теперь, когда у нас установлены необходимые пакеты Python,
рассмотрим, как использовать их для взаимодействия с данными. Перейдем
к командной строке Python, введя в окне терминала следующую команду:
$ python3

Импортируем пакет, содержащий все наборы данных.

>>> from sklearn import datasets

Загрузим набор данных с ценами на недвижимость.

>>> house_prices = datasets.load_boston()

Выведем данные.
>>> print(house_prices.data)

В окне терминала должен отобразиться следующий вывод (рис. 1.11).

Рис. 1.11

Проверим маркерные значения.

>>> print(house_prices.target)

01_ch00-07.indd 41 04.12.2018 19:40:22

 42 Глава 1

В окне терминала должен отобразиться следующий вывод (рис. 1.12).

Рис. 1.12

Размер фактического массива больше, поэтому на данном экранном сним-

ке представлена лишь часть его значений.
В пакете sklearn также доступны наборы графических данных. Каждый
набор представлен матрицей размером 8×8. Загрузим эти изображения.
>>> digits = datasets.load_digits()

Выведем пятое изображение.

>>> print(digits.images[4])

В окне терминала отобразится следующий вывод (рис. 1.13).

Нетрудно заметить, что эти данные располагаются в восьми строках и
восьми столбцах.

01_ch00-07.indd 42 04.12.2018 19:40:23

 Введение в искусственный интеллект 43

Рис. 1.13

Резюме
Из этой главы вы узнали, что такое ИИ и зачем его нужно изучать. Мы обсу-
дили различные применения и подвиды ИИ. Мы рассмотрели тест Тьюринга
и показали, как его можно выполнять. Вы узнали о том, как заставить маши-
ны рассуждать подобно людям. Мы обсудили понятие рационального агента
и рассказали о способах его проектирования. Вы также узнали, что такое уни-
версальный решатель задач (GPS) и как решать задачи с помощью GPS. Мы
затронули тему разработки интеллектуальных агентов с помощью машинного
обучения, указав при этом на существование различных типов моделей.
Кроме того, мы рассмотрели процесс установки Python 3 в различных опе-
рационных системах. Вы узнали о том, как установить пакеты, необходимые
для создания приложений ИИ, и использовать их для загрузки данных, до-
ступных в библиотеке scikit-learn. В следующей главе вы познакомитесь с
методами обучения с учителем и узнаете о том, как создавать модели, пред-
назначенные для решения задач классификации и регрессии.

01_ch00-07.indd 43 04.12.2018 19:41:14