Об ИИ без мифов. Путеводитель по истории Искусственного Интеллекта - Черняк Леонид. Страница 39

Первые опыты практического применения SI для оптимизационных приложений датируются серединой девяностых годов прошлого века, SI открывает принципиально новые возможности в области анализа данных. За время использования SI в оптимизационных задачах были созданы десятки различных подходов, из этого разнообразия можно выделить три основных типа алгоритмов: муравьиный алгоритм (Ant Colony Optimization, ACO), метод оптимизации роем частиц (Particle Swarm Optimization, PSO) и пчелиный алгоритм (Bee Colony Optimization, BCO).

• Муравьиный алгоритм (ACO). В начале 90-х Марко Дориго, ученый из Брюссельского свободного университета, первым применил математические процедуры, основанные на SI, для решения таких задач как организация грузоперевозок, управление авиалиниями, координация действий боевых роботов. Дориго – автор алгоритмов метаэвристической (metaheuristic – «поиск за пределами») оптимизации, базирующейся на подражании муравьиной колонии, которая оказалась эффективной для нахождения приближенных решений задач, сводящихся к задаче коммивояжера. Суть подхода заключается в анализе и использовании модели поведения муравьев, ищущих пути от колонии к источнику питания. Первая версия алгоритма, предложенная Дориго в 1992 году, была направлена на поиск оптимального пути в графе. Сущность ACO чрезвычайно проста – алгоритм имитирует действие феромонов, биологически активных веществ, выделяемых животными и специфически влияющих на поведение других особей. Выделяя феромоны, насекомые подают разные сигналы, например, так они обозначают метками пройденный ими путь, по этим меткам муравей может найти путь обратно в муравейник или метки показывают дорогу другим к найденной добыче. Простой эксперимент – на отмеченном пути от муравейника к источнику пищи поставлен барьер, причем так, что обход с одной стороны длиннее, чем с другой, в изменившейся ситуации сначала выбор направления обхода будет случайным, но потом окажется, что с той стороны, где путь короче, плотность потока муравьев больше, поскольку насекомые выделяют больше фермента и сильнее привлекают в нужную сторону оставшихся. Через какое-то время колония будет пользоваться только коротким путем. Примерно так же решаются и более сложные задачи – например, распределение работы по добыче еды и ремонту муравейника. Система моделирования Ant Colony System, предложенная Дориго, имитирует эту схему на графах, в ней могут видоизменяться способы распространения и восприятия «феромонов».

• Метод оптимизации роем частиц (PSO) возник из попыток объяснить синхронное перемещение птичьих или рыбьих стай, он был предложен психологом Джеймом Кеннеди и инженером Расселом Эберхартом, которые в 1995 году выпустили книгу Swarm Intelligence. В основе их метода лежит эволюционный алгоритм (Evolutionary Algorithm, EA), имитирующий социальное поведение особей в стае. Совокупное поведение всей стаи складывается из поведения каждой отдельной особи, которое лишено малейших признаков антагонизма и даже несет на себе оттенок альтруизма. Эти особенности поведения особей позволяют сложиться своего рода кооперации, где за счет возможных небольших ущербов для каждого выигрывает вся популяция в целом. Средствами SI моделируются виртуальные стаи, состоящие из условных организмов – частиц, существование которых состоит в перемещении в многомерном пространстве решений. Изменение положения отдельной частицы, точно так как особи в рое живых существ, определяется не только стремлением к конкуренции за доступные ей ресурсы, но одновременно примитивным альтруизмом, выражающемся в координации собственного поведения с поведением и соседей с возможным ущербом для себя. Каждая частица может менять свое положение и скорость в пространстве поиска ресурсов, она стремится занять оптимальный для себя участок в пространства решений, но так, чтобы улучшая собственное положение в минимальной степени затрагивать интересы соседних частиц.

• Пчелиный алгоритм BCO имеет более чем десятилетнюю историю, в отличие от ACO и PSO здесь воспроизводится более сложная иерархическая система отношений, состоящая из особей с разным статусом: матка, рабочие пчелы и трутни. Для практических исследований в области интеллекта роя используются простейшие роботы. В 2003 исследовательская группа из нескольких университетов, возглавляемая Стэнфордским исследовательским центром (SRI International, SRI) построила специальный рой из 100 роботов Centibots, в задачу которого входил поиск объектов в заданном регионе. Из этих исследований выросло новое направление, именуемой групповой робототехникой, ставящее своей целью координированную работу систем, которые состоят из большого числа в основном простых физических роботов.

Еще совсем недавно проблемы интеллекта роя интересовали зоопсихологов и энтомологов, а также академических исследователей AI. Но успехи микроэлектроники и микромеханики открыли возможность для создания искусственных существ, из которых можно создавать нечто подобное рою, и это немедленно привлекло к себе внимание тех, кто создает новые типы вооружения. В 2019 году правительства Великобритании и США заявили о своем намерении созывать эскадрильи из роботов, построенные по принципу роя (swarm squadrons). Они будут состоять из небольших по размеру взаимодействующих между собой БПЛА, от прежнего поколения их принципиально отличает способность к самоорганизации. Каждый из роботов является самостоятельным агентом, но совместно они объединены общей целью примерно так, как футболисты на поле. Пока эти технологии находятся на уровне экспериментов.

Упомянутый выше Луис Розенберг основал компанию Unanimous A. I., название которой можно перевести как единодушный AI, он использует подходы, основанные на интеллекте роя для усиления суммарного интеллекта группы людей. Розенбергу удалось сделать целый ряд успешных прогнозов, в том числе предсказать победу Дональда Трампа на выборах в 2016 году. За это в том же году он был удостоен награды «Человек года в AI», (AI Person of the Year) а его компания получила приз за лучшее приложение AI (Best Consumer Application of AI),

Промышленные роботы

C 20-годов прошлого века и до тех пор, пока не были созданы первые промышленные роботы, промышленная автоматизация была ограничена поточными линиями для производства массовых простых изделий и станками с числовым программным управлением для более единичных. «Дедушкой промышленных роботов» признан американский изобретатель Джордж Девол (George Devol, 1912–2011). Ранее созданные им машины и механизмы не получали признания, но в 1954 году ему улыбнулась удача: он получил патент на устройство, снабженное рукой-манипулятором и поэтому отличающееся от станков-автоматов большей универсальностью. Для названия этой машины он избрал несуществующее слово Unimate наподобие Kodak, предложенному Джорджем Истманом для своей компании. В патенте он описал Unimate как машину, способную быть использованной в разнообразных циклически повторяющихся приложениях. В первых вариантах управление было незамысловатым, собранным из имевшихся на рынке радиодеталей и вакуумных ламп, но вскоре совместно с изобретателем и предпринимателем Джозефом Энгельбергером (Joseph Engelberger, 1925–2015) Девол организовал компанию Unimation и начал промышленное производство.

Успех Unimation, продававшей свои Unimate тысячами, способствовал возникновению новой отрасли станкостроения. Показательно, что одной из первых купивших лицензию была японская компания Kawasaki, позже ставшая лидером этого направления. Вдохновленные возможностями Unimate рукой заинтересовались теоретики AI, среди них Марвин Минский. В начале 70-х при его участии была создана рука Tentacle (переводится как усик, щупальце), Снабженная видеокамерой и управляемая компьютером Tentacle могла собирать конструкции из детских кубиков, но большого успеха с ней Минский не добился, он быстро остыл к своей руке, тем не менее работа над ней стимулировала его на создание книги «Сообщество Разума» (The Society of Mind,1986).