Сфера интересов Поведение ИИ – начало исследований и разработок.
В сфере ИИ в середине 2024 года наблюдались тенденции, которых можно суммировать как новую парадигму – накопление со строны ИИ базы линий поведения по исходным данным, почерпнутым в среде естественного интеллекта ( ЕИ ). Сие означает, что ИИ уже тесно в рамках, отведенных ему разработчиками, он готов вырваться на свободу и начать самостоятельное существование. Учитывая высокую скорость первичного обучения ИИ ( до начала эксплуатации ), обоснованно предположить, год 2025 есть начало поведения ИИ, имея в виду поведение по Norbert Wiener.
Исходя из вышеизложенного, представляются весьма актуальними исследования и разработки в сфере поведения ИИ. Здесь можно выделить ряд направлений.
1. Непредсказуемое поведение. Типичный и уже описанный в отчете по НИР случай – программа программирует ( «пишет» ) самое себя, например, так: начало программы ( «голова» ) пишет среднюю част ( «тело» ), тело пишет оконечную часить ( «хвост» ). Этот процесс происходит в реальном масштабе времени и по исходным данным, которые меняются, поэтому даже разработчик не знает, какие коды попадут в тело, а тем более в хвост. ИИ с непредсказуемым поведением актуален, например, на поле боя. Аристотель так обучал воевать Македонского: заставь противника в ходе боя задуматься и он не сможет драться.
Если на поле боя одна группа роботов обладает непредсказуемым поведением, а друга группа роботов пытается предсказать поведение первой группы с расходом ресурсов, которых может не хватить на выполнения боевой задачи.
Также интересно применение ИИ с непредсказуемым поведением в целях стратегического боевого планирования с сочетании с моделью представления знаний в виде предикатов. Даже разведанный боевой план может быть расшифрован только со значительными расходами ресурсов и времени.
Наконец, применение ИИ с непредсказуемым поведением в геополитике позволяет успешно решать геополитические задачи за счет неожиданного доминирования ( постоянного или временного ) и путем неожиданного перераспределения центров сил.
2. Предсказуемое поведение. Самое массовое применение ИИ в сферах: транспорт, металлургия, химическая промышленность, машиностроение, энергетика. Здесь интересны локальные дополнения в процессах управления, например модификация траектории управления в целях повышения КПД.
3. Ленивые нейросети. Упрощенный вариант подхода MIT – жидкие нейросети. В MIT поставили задачу применить временные ряды Колмогорова, но решение затруднено математической сложностью и требованием к набору компетенций разработчиков. Ленивые нейросети представляю собой частный случай нейросетей с обучением по Kohonen
( парадигма ближайших соседей ). Ленивые нейросети не требуют погони за числом слоев и нейронов. В однородной нейросети выбираются центры ситуаций управления в виде одного доминирующего нейрона на один центр и ближайших к нему нейронов в качестве ближайших соседей. Ооднородную нейросеть можно создать как с помощю студии, так и программным путем. Выбор центра – доминирующего нейрона и ближайших соседей выполняется как с помощю студии ( для простых топологий, например, 5 слоев по 5 нейронов в слое ), так и программным путем. Последний вариант позволяет избавиться от студийных ошибок при создании нейросетей по Kohonen. При этом не всегда можно обеспечить заданную общую ошибку нейросети, но внутри каждой ситуации управления локальная нейросетевая ошибка может быть приемлема по заданным значениям ошибок первого и второго родов. |
|
|