Exemples d'intelligence artificielle aujourd'hui. Développements modernes dans le domaine de l'intelligence artificielle. Domaines d'application de l'intelligence artificielle

L'un des domaines de développement des technologies informatiques est l'intelligence artificielle (IA). Les analystes rapportent qu'en 2011, 67 accords ont été conclus avec des entreprises leaders dans le domaine. intelligence artificielle, puis au cours de l'année écoulée, leur nombre est passé à 400. Il est trop tôt pour parler de statistiques pour 2016, mais un record de 140 transactions au cours du seul premier trimestre de cette année suggère une augmentation de la demande pour ce secteur. Ceci est justifié, car la technologie peut trouver des applications dans de nombreux domaines de la vie.

Diagramme – Dynamique du nombre de deals avec les développeurs intelligence artificielle, unités.

En agriculture, l’intelligence artificielle est utilisée dans les équipements de transformation et de récolte. Les travaux dans ce domaine sont réalisés par des ingénieurs étrangers et russes.

Par exemple, Autonomous Tractor Coopération a introduit le tracteur Spirit sans pilote en 2012. Son équipement contient le système AutoDrive, qui est une symbiose entre radionavigation et gyroscope laser. Ce système assure un mouvement indépendant du tracteur le long de l'itinéraire qu'il parcourait auparavant avec le conducteur.

Cette année, le constructeur russe Cognitive Technologies a organisé des tests d'un tracteur sans pilote équipé de vision par ordinateur. Cette solution permet d'éviter les dommages aux machines agricoles, car détecte à l'avance les corps étrangers dans les zones traitées. Les caméras vidéo et les capteurs de navigation fournis par son appareil collectent des informations sur la localisation des objets dangereux en temps réel.

Le tracteur indépendant a été développé par CNH Industrial. Sa particularité réside dans le fait qu’il accumule des informations grâce à un système lidar basé sur le phénomène de réflexion et de diffusion de la lumière.

Des développeurs tels que Blue River Technology et PlantVillage ont pris le vecteur pour développer des technologies de contrôle des mauvaises herbes. Des machines intelligentes reconnaissent et détruisent les plantes indésirables.

Les solutions de transport autonomes devraient augmenter considérablement la productivité agricole. Peut-être qu'à l'avenir, ce secteur pourra fonctionner complètement sans intervention humaine. Les scientifiques pensent que l’intelligence artificielle trouvera sa place dans ce que l’on appelle les fermes verticales, c’est-à-dire agriculture entièrement sous serre. Les appareils seront capables de surveiller des indicateurs importants pour la culture, tels que l'humidité, la lumière et la température, en répondant rapidement à leurs fluctuations.

Intelligence artificielle en gsecteur public

Intelligence artificielle est utilisé en Occident depuis plusieurs années par les forces de l'ordre et les pompiers.

Les développeurs du programme Series Finder ont identifié neuf scénarios de vol. Les algorithmes qui sous-tendent la technologie analysent de nombreux facteurs, notamment la facilité d'intrusion dans une maison, l'heure de la journée, le jour de la semaine, etc., et reproduisent le comportement potentiel du criminel. Cela contribue non seulement à la détection rapide d'un crime à l'aide d'un modèle prêt à l'emploi, mais permet également de prédire et de prévenir le danger.

Des experts de l'Université de Rochester affirment qu'avec l'aide de systèmes intelligents, les trafiquants de drogue peuvent être identifiés sur la base du comportement des utilisateurs sur Instagram.

Pendant ce temps, la NASA conçoit un assistant « de fer » pour les pompiers, dont le but est d'organiser l'interaction coordonnée du groupe de pompiers, ainsi que d'informer rapidement chaque spécialiste sur le site de l'incendie de l'état de la situation.

Les chercheurs estiment que la confiance dans les technologies intelligentes assurant la sécurité ne fera que croître dans un avenir proche, y compris dans les environnements privés. L’avantage de l’IA est qu’elle peut capturer ce qui manque aux humains, qu’elle est capable d’accumuler et d’analyser de grandes quantités de données, de générer des situations structurées et de rester impartiale et indifférente dans n’importe quelle situation. Cependant, les scientifiques précisent qu'il ne sera pas possible d'exclure complètement une personne des structures gouvernementales organisant la sécurité de la population. Il existe des processus et des décisions qui nécessitent une analyse psychologique, soumise uniquement à des spécialistes « vivants ». Dans le même temps, les machines intelligentes peuvent assumer des fonctions dangereuses. Par exemple, pour examiner un bâtiment en feu, se protéger des balles, etc.

La technologie est la meilleure amie de l'homme. ET intelligence artificielleà la maison et dans la vie de tous les jours

Depuis de nombreuses années, des dizaines d’ingénieurs travaillent sur un projet de maison intelligente. Ils veulent confier à l’intelligence artificielle les responsabilités de réglage de la température dans la pièce, de réglage automatique de l’éclairage, d’ouverture/fermeture des portails d’entrée, de maintien de la propreté et de l’ordre, et bien d’autres encore. Les créateurs visent à simplifier autant que possible le processus de contrôle et de « communication » avec une maison hautement intelligente, afin que les algorithmes ne soient pas lancés à partir d'une télécommande ou d'un autre appareil de télécommande, mais reconnaissent la voix et les gestes.

Parallèlement au développement d'une maison « intelligente », les scientifiques testent des assistants intelligents conçus pour créer une vie parfaite pour une personne. Différents modèles de robots sociaux sont capables de déterminer la température ambiante confortable pour une personne en particulier et de la réguler dans la pièce, de maintenir une conversation, de mémoriser des visages et de suivre des instructions.

On s’attend à ce que d’ici 2030, les robots domestiques deviennent la norme. Ils ne pourront pas libérer complètement une personne des tâches quotidiennes, mais ils sont capables de fournir les conditions de vie les plus favorables, d'automatiser un certain nombre de processus de base, de prévoir et de prévenir les accidents de logement et de services publics, d'être responsables de la sécurité des biens, etc. . Certaines solutions peuvent être utiles aux personnes handicapées.

L'intelligence artificielle dans le secteur de l'éducation

Les technologies modernes modernisent activement le système éducatif. Par exemple, en Russie, un certain nombre d’écoles métropolitaines testent des journaux électroniques qui fournissent aux parents des informations en ligne sur les progrès et l’assiduité de leur enfant et simplifient le travail « papier » pour les enseignants. Cette année, à l'occasion de la Journée des enseignants, le robot a donné un cours d'informatique en tandem avec un enseignant dans l'un des lycées de Kazan, ce qui constitue un événement unique pour notre pays.

Le monde connaît déjà les systèmes éducatifs intelligents qui déterminent le niveau de connaissances de l’élève, évaluent l’exactitude des réponses et développent un programme d’apprentissage personnalisé. A titre d'exemple, on peut citer des solutions telles qu'AutoTutor, Knewton, SHERLOCK. Ce dernier est utilisé par l'US Air Force pour la formation des pilotes. Un certain nombre de plateformes d’apprentissage en ligne ont été assez bien développées. Les services Coursera et Duolingo sont notamment connus, y compris en Russie.

Dans le domaine de l’éducation, l’intelligence artificielle est l’avenir. Il est attrayant car il est capable de créer un plan de développement unique pour chaque étudiant, qui prend en compte ses capacités et ses intérêts et, par conséquent, réalise son potentiel le plus efficacement possible. Aussi intelligence artificielle impartial lors de l’évaluation des connaissances ou de la vérification des devoirs. Les robots peuvent non seulement enseigner de manière autonome par rapport à un enseignant, mais aussi l'aider.

Les scientifiques du Knowledge Lab de l’University College London prédisent qu’à l’avenir, chaque personne aura son propre mentor d’apprentissage. L'apprentissage automatique identifiera les capacités humaines et formulera des recommandations de formation, toujours « à portée de main » via une application sur un appareil mobile.

L'intelligence artificielle en fsecteur financier

Dans le système bancaire et financier, l’intelligence artificielle peut devenir à la fois un assistant et une menace. Par exemple, les systèmes automatisés facilitent le suivi de la fraude financière et des transactions suspectes. MasterCard teste une solution similaire avec le soutien de la National Savings Bank.

Les banques ont également l'intention d'utiliser des employés robotisés pour travailler avec leurs clients. ET intelligence artificielle peut traiter les demandes des clients, informer sur les services et les opportunités et fournir un support technique. La banque suédoise Swedbank a testé un assistant artificiel en 2014. Selon les représentants de Swedbank, un an après son lancement, le robot a résolu 80 % de tous les appels reçus par la banque.

Les institutions financières ont trouvé une utilité intelligence artificielle et dans le système de gestion du personnel. Les technologies intelligentes contrôlent les décisions des employés, répondant rapidement aux actions illégales de leur part, empêchant ainsi les violations des normes législatives dues à la faute de la banque.

À l'été 2016, des informations sont apparues selon lesquelles les organismes financiers Goldman Sachs, Morgan Stanley Citigroup et UBS Group investissaient dans le développement. intelligence artificielle pour l'embauche du personnel. Parmi les possibilités d'une telle solution figurent la sélection de curriculum vitae acceptables, l'évaluation des qualités professionnelles des candidats et l'organisation d'entretiens vidéo. Les représentants de l'entreprise espèrent que les technologies intelligentes permettront non seulement d'automatiser le processus de recrutement, mais également de réduire le roulement du personnel.

Les développeurs d'applications Pefin et Wallet.ai ont confié leurs finances personnelles à des plateformes en ligne. Les services, prenant en compte des indicateurs économiques tels que l'inflation et les impôts, construisent un système financier individuel, calculant combien une personne peut dépenser ou investir.

Cette année, les services analytiques du cabinet d'avocats Baker & McKenzie ont publié les résultats de leur étude, selon lesquels dans les trois prochaines années intelligence artificielle commencera à être largement utilisé en finance. La moitié des 424 dirigeants de banques interrogés ont annoncé leur intention d'introduire des systèmes intelligents dans le travail de l'institution, dont 39 % pour empêcher les transferts d'argent illégaux et 26 % pour contrôler la légalité des actions de la banque.

L'intelligence artificielle dans le système de transport

La principale direction du développement de l'intelligence artificielle dans les infrastructures de transport est la création de véhicules sans pilote. Google, Tesla, General Motors et d'autres testent activement de tels systèmes. Les constructeurs automobiles Ford et BMW annoncent également leur intention de produire des voitures indépendantes d'ici 2021.

À l'heure actuelle, les voitures autonomes incluent des algorithmes capables d'analyser l'environnement, de reconnaître la présence d'une personne sur la route et de transférer le contrôle au conducteur en cas d'urgence.

Aussi intelligence artificielle utilisé dans les arrêts de transports publics « intelligents », qui suivent le mouvement du transport le long de l'itinéraire et calculent l'heure approximative de son arrivée.

Il y a quatre ans, des ingénieurs de l’Université Carnegie ont lancé des feux de signalisation « intelligents ». Ils évaluent la situation sur la route et allument automatiquement le feu vert en cas d'embouteillage de voitures. Selon les promoteurs, les carrefours autocontrôlés ont montré leur efficacité : les conducteurs économisent 21 % de leur temps de trajet, grâce à une réduction de 40 % de l'intervalle d'attente au signal de permis.

Les experts estiment que les capacités de l’intelligence artificielle seront largement utilisées dans la gestion du trafic. D’ici 2020, il y aura environ 10 millions de véhicules sans pilote sur les routes, y compris des véhicules volants. Les transports intelligents ne seront pas seulement populaires dans la sphère privée. Par exemple, un bus autonome a été lancé en France. Les scientifiques estiment que de tels dispositifs protégeront le trafic routier, contribueront à éviter de nombreux accidents et surveilleront en ligne la situation sur la route.

L'intelligence artificielle en pindustrie

De nombreuses usines européennes utilisent déjà des solutions robotiques pour automatiser les processus de production. Cela évite aux employés des travaux de production pénibles et dangereux. ET intelligence artificielle aide à éviter les erreurs de production, améliorant ainsi la qualité du produit et réduisant le temps et les coûts de matériaux pour sa production, et permet également une production continue.

Livre exemple d’entreprises commerciales qui ont mis en œuvre intelligence artificielle dans le processus de production, se trouvent le port de Hambourg et Harley-Davidson. Le premier a réussi à augmenter le débit de plus de 2,5 fois grâce aux dernières technologies. La seconde consiste à réduire le temps de montage des motos de 21 jours à 6 heures.

En 2014, Cisco, AT&T, IBM et Intel ont fusionné pour former l'Industrial Internet Consortium, IIC, qui vise à promouvoir les technologies et les projets IIoT.Il n’existe aucun exemple d’usines nationales utilisant des systèmes intelligents dans l’environnement de travail. Le Consortium national de l'Internet industriel, créé en août de cette année, est appelé à contribuer à changer la situation.

L'intelligence artificielle dans les soins de santé

IBM a présenté la solution Watson. Il s’agit d’un superordinateur capable d’analyser des données médicales et même des images pour poser un diagnostic. En améliorant la technologie, IBM forme Watson à détecter les signes subtils de maladies rares chez les enfants. L'entreprise collabore avec près de deux douzaines de centres médicaux, ce qui devrait accélérer la mise en œuvre généralisée de la technologie dans les établissements de santé.

En utilisant intelligence artificielle prévoyez de diagnostiquer le cancer à un stade précoce. Les développeurs de Behold.ai rapportent que le remède à cette maladie ne se fera pas sous la forme habituelle de médicaments. Leur objectif est d’apprendre à l’IA à détecter très tôt les tumeurs malignes à partir des rayons X, ce qui ne consiste pas à traiter, mais à prévenir le développement de la maladie.

Les partenaires Bay Labs et Arterys prévoient de diagnostiquer les maladies cardiaques de la même manière. La technologie est basée sur l’analyse par ultrasons, donc un équipement « intelligent » est capable de voir ce qui est inaccessible au médecin.

Les scientifiques affirment qu’à l’avenir, les smartphones analyseront la santé humaine. Sur la base d’une analyse de l’activité, du sommeil et de la sociabilité, même des troubles mentaux, comme la dépression, peuvent être diagnostiqués. Aussi intelligence artificielle attribuer un rôle à la recherche de nouveaux médicaments. Les algorithmes détecteront les vulnérabilités des virus et sélectionneront des combinaisons efficaces de structures moléculaires pour les éliminer.

Au créateur vaincu de l'intellect supérieur

De nombreuses prédictions des scientifiques sur le monde « intelligent », la vie numérisée, les robots du quartier et la civilisation de l’Internet des objets semblent aujourd’hui fantastiques. Mais indépendamment de la foi ou du doute quant aux possibilités illimitées intelligence artificielle, la technologie change de manière dynamique tout ce qui nous entoure. Les développeurs, découverte après découverte, petites inventions et idées révolutionnaires, conduisent la planète vers une réalité de machine hautement intelligente.

Il est difficile de nommer les dates exactes auxquelles les fruits de l'imagination des écrivains de science-fiction prendront forme physique. Ce n’est pas seulement la technologie qui doit progresser, mais aussi les personnes. La société doit être prête à accepter le monde « de fer » et la nation intelligente des appareils. La période d'adaptation prend du temps. Pour que les gens commencent à faire confiance aux policiers, médecins et chauffeurs robotisés, leur intelligence artificielle doit être égale à l’intelligence humaine. En même temps, une personne imparfaite peut-elle créer un système parfait ? Sera-t-il capable de tracer la ligne où intelligence artificielle– un ami, pas un danger ? Et saura-t-il éviter la dépendance technique ?

Dans le même temps, la question se pose de savoir si les infrastructures sont prêtes à faire face à un avenir « artificiel ». Y a-t-il suffisamment de capacité énergétique ? Évidemment pour le travail intelligence artificielle, l'Internet des objets et les systèmes cloud nécessitent des alimentations électriques sans interruption et un réseau mobile mondial à large bande.

Plus en détail, des solutions innovantes dans le domaine des communications mobiles des générations existantes et nouvelles, ainsi que des services du présent et du futur, peuvent être trouvées dans le livre "

L’intelligence artificielle (IA) fait depuis longtemps partie de nos vies. Il vous aide à vous détendre, faire du shopping, étudier et travailler. Les machines ont également été largement utilisées dans le marketing.

Dans cet article, vous verrez des exemples du fonctionnement de l’intelligence artificielle en marketing.

Création de site internet

Le service Grid présente l'assistant robot Molly. Il permet de développer des sites Web sur différentes plateformes en peu de temps.

À quoi ça sert ? Molly crée un site Web sans développeurs ni ingénieurs. L'entreprise ne demande pas plus de 100 $ par an pour un site Web. D'accord, ce n'est rien comparé au salaire annuel de l'équipe de développement.

Mais il n’y a toujours rien sans les gens : ils sélectionnent des images, du texte, des CTA. Molly prend ces données et crée un site Web.

Regardez comment cela se produit dans une courte vidéo :

Création de contenu

Les rédacteurs peuvent être assurés que l’IA ne pénétrera pas trop profondément dans leur domaine. Mais les machines peuvent faire certaines choses dans le domaine du contenu. De nombreux grands éditeurs et médias utilisent des outils comme Wordsmith :

Les machines créent du contenu cliquable : actualités, descriptions d'hôtels, de vêtements et de produits, et aident à la rédaction de rapports. Ils utilisent des modèles, remplissent des formulaires avec les bons mots et mots-clés et créent d'autres contenus uniques pratiquement impossibles à distinguer du contenu humain.

Bien sûr, AI ne recevra pas de prix Pulitzer pour de tels textes, mais les phrases et expressions sont tout à fait lisibles.

La nouvelle d'un match de baseball pour l'Associated Press a été écrite par AI :

Ce n’est pas l’histoire la plus excitante, mais le message est clair : l’équipe du State College a battu les Brooklyn Cyclones avec un score de 9 : 8.

Le texte écrit automatiquement peut être modifié dans l'application Hemingway :

C'est aussi de l'intelligence artificielle. Une application simple qui élimine l'eau du texte.

L'analogue national est le service Glavred.

C'est bien quand on n'a pas besoin de se lever du canapé pour commencer une nouvelle série ou un nouveau film. De nombreuses entreprises médiatiques utilisent l’IA. Lorsqu’un film se termine, la machine en démarre automatiquement un autre pour ne pas déranger les gens.

L'IA analyse le comportement des utilisateurs et suggère du contenu. Cela peut, par exemple, IBM Watson :

Le réseau social sportif UNDER ARMOR RECORD utilise Watson pour personnaliser les messages destinés aux utilisateurs de l'application, et le Musée d'art moderne de San Francisco a créé un robot artistique basé sur l'IA Watson. Le bot communique avec les visiteurs des musées et les amateurs d’art. Il analyse le message et affiche des images :

« - Le soleil est arrivé. -Robert Bechtle, Watsonville Olympia, 1977."

Il connaît très bien les utilisateurs de Yandex, qui est étroitement impliqué dans les réseaux de neurones. C'est ainsi que Yandex.Music cherche des moyens de mieux nous connaître :

Moteurs de recherche

Que veulent les utilisateurs ? Connaît l'intelligence artificielle. L'optimisation du contenu, ce que font les spécialistes du marketing, dépend de ces connaissances. Les machines influencent également la recherche et les moteurs de recherche.

Par exemple, la porte vers l’avenir a été ouverte par la recherche vocale et le système de classement des résultats de recherche RankBrain de Google. Elle interprète les données et fait des suggestions sur ce qui pourrait vous intéresser. L'IA essaie de manière indépendante de deviner le sens de mots inconnus.

Les machines - Amazon Echo, Google Home, Siri et Cortana de Microsoft - facilitent la vie et la découverte. Appuyez simplement sur un bouton ou dites un mot et ils trouveront les informations dont ils ont besoin. Au lieu de « restaurants à Moscou », il suffit de dire « où puis-je manger ? et l’IA montrera la voie.

Les paramètres de recherche changent, le contenu change. Les requêtes longues disparaissent, remplacées par de courtes phrases conversationnelles. Le principe de création de contenu évolue. Si auparavant il y avait des mots-clés, aujourd'hui l'accent est mis sur des groupes de sujets. Un sujet est choisi et le contenu de plusieurs articles est créé autour de lui.

Automatisation du marketing

Les marques utilisent l'IA pour personnaliser les mailings destinés aux clients. Les machines prennent en compte les préférences et le comportement des clients pour proposer des offres plus pertinentes.

Boomtrain analyse l'historique des interactions des clients avec le contenu et crée des mailings :

La boutique de lingerie en ligne Adore me travaille avec Optimove :

L'outil utilise l'IA pour segmenter votre liste de clients en vue d'un engagement et d'une conversion ultérieurs. La machine envoie différentes offres à différents groupes et interagit avec les utilisateurs de l'application. La marque est dans le noir : le chiffre d’affaires et le nombre de clients actifs ont augmenté.

L’intelligence artificielle libère beaucoup de temps, qui peut être consacré à ce qui est vraiment important et nécessaire.

Réseaux sociaux

Jeux avec images

Filtres photo - vous pouvez jouer avec eux pendant des heures. Et ce sont aussi des réseaux de neurones. Les machines ont appris à reconnaître les visages humains pour que les utilisateurs des réseaux sociaux ne s’ennuient pas et s’amusent avec les filtres photo.

Grâce à l’IA, les marques et les célébrités se rapprochent des acheteurs potentiels.

Parmi les classes de tâches les plus importantes qui ont été posées aux développeurs de systèmes intelligents depuis la définition de l'intelligence artificielle en tant que direction scientifique (depuis le milieu des années 50 du XXe siècle), il convient de souligner les suivantes : domaines de l'intelligence artificielle, qui résolvent des problèmes difficiles à formaliser : preuve de théorèmes, reconnaissance d'images, traduction automatique et compréhension de la parole humaine, programmes de jeux, créativité machine, systèmes experts. Considérons brièvement leur essence.

Orientations de l'intelligence artificielle

Preuve de théorèmes. L’étude des techniques de démonstration de théorèmes a joué un rôle important dans le développement de l’intelligence artificielle. De nombreux problèmes informels, par exemple les diagnostics médicaux, sont résolus à l'aide d'approches méthodologiques utilisées pour automatiser la preuve des théorèmes. Trouver une preuve d'un théorème mathématique nécessite non seulement une déduction à partir d'hypothèses, mais également la création d'hypothèses intuitives sur lesquelles des énoncés intermédiaires doivent être prouvés pour la preuve globale du théorème principal. Reconnaissance d'images. L'utilisation de l'intelligence artificielle pour la reconnaissance d'images a permis de créer des systèmes pratiquement fonctionnels pour identifier des objets graphiques basés sur des caractéristiques similaires. Toutes les caractéristiques des objets à reconnaître peuvent être considérées comme des caractéristiques. Les caractéristiques doivent être invariantes par rapport à l'orientation, à la taille et à la forme des objets. L'alphabet des fonctionnalités est formé par le développeur du système. La qualité de la reconnaissance dépend en grande partie de la manière dont l'alphabet des fonctionnalités a été développé. La reconnaissance consiste à obtenir a priori un vecteur de caractéristiques pour un objet distinct sélectionné dans l'image puis à déterminer à laquelle des normes de l'alphabet de caractéristiques correspond ce vecteur. Traduction automatique et compréhension de la parole humaine. La tâche consistant à analyser des phrases vocales humaines à l’aide d’un dictionnaire est une tâche typique des systèmes d’intelligence artificielle. Pour résoudre ce problème, un langage intermédiaire a été créé pour faciliter la comparaison de phrases de différentes langues. Par la suite, cette langue intermédiaire s'est transformée en un modèle sémantique pour représenter le sens des textes à traduire. L'évolution du modèle sémantique a conduit à la création d'un langage de représentation interne des connaissances. En conséquence, les systèmes modernes analysent les textes et les phrases en quatre étapes principales : analyse morphologique, analyse syntaxique, sémantique et pragmatique. Programmes de jeux. La plupart des programmes de jeux reposent sur quelques idées de base de l’intelligence artificielle, comme l’itération et l’auto-apprentissage. L’un des problèmes les plus intéressants dans le domaine des programmes de jeux utilisant des méthodes d’intelligence artificielle est d’apprendre à un ordinateur à jouer aux échecs. Elle a été fondée aux débuts de l’informatique, à la fin des années 50. Aux échecs, il existe certains niveaux de compétence, degrés de qualité de jeu, qui peuvent fournir des critères clairs pour évaluer la croissance intellectuelle du système. Par conséquent, les échecs informatiques ont été activement étudiés par des scientifiques du monde entier et les résultats de leurs réalisations sont utilisés dans d'autres développements intellectuels qui ont une réelle signification pratique. En 1974, le championnat du monde des programmes d'échecs a eu lieu pour la première fois dans le cadre du congrès régulier de l'IFIP (Fédération internationale du traitement de l'information) à Stockholm. Le gagnant de ce concours était le programme d'échecs « Kaissa ». Il a été créé à Moscou, à l'Institut des problèmes de gestion de l'Académie des sciences de l'URSS. Créativité des machines. L'un des domaines d'application de l'intelligence artificielle comprend les systèmes logiciels capables de créer indépendamment de la musique, de la poésie, des histoires, des articles, des diplômes et même des mémoires. Il existe aujourd'hui toute une classe de langages de programmation musicale (par exemple, le langage C-Sound). Pour diverses tâches musicales, des logiciels spéciaux ont été créés : systèmes de traitement du son, synthèse sonore, systèmes de composition interactifs, programmes de composition algorithmique. Systèmes experts. Les méthodes d'intelligence artificielle ont trouvé des applications dans la création de systèmes de conseil automatisés ou de systèmes experts. Les premiers systèmes experts ont été développés comme outils de recherche dans les années 1960. Il s’agissait de systèmes d’intelligence artificielle spécialement conçus pour résoudre des problèmes complexes dans un domaine restreint, tel que le diagnostic médical des maladies. L'objectif classique de cette direction était initialement de créer un système d'intelligence artificielle à usage général, capable de résoudre n'importe quel problème sans connaissances spécifiques dans le domaine. En raison de ressources informatiques limitées, ce problème s’est avéré trop complexe pour être résolu avec un résultat acceptable. Implémentation commerciale de systèmes experts s’est produite au début des années 1980 et depuis lors, les systèmes experts se sont généralisés. Ils sont utilisés dans les domaines des affaires, des sciences, de la technologie, de la fabrication et dans de nombreux autres domaines où il existe un domaine bien défini. Le sens principal de l'expression « bien défini » est qu'un expert humain est capable de déterminer les étapes de raisonnement à l'aide desquelles tout problème dans un domaine donné peut être résolu. Cela signifie que des actions similaires peuvent être effectuées par un programme informatique. Nous pouvons désormais affirmer avec certitude que utilisation de systèmes d'intelligence artificielle ouvre de larges frontières. Aujourd’hui, les systèmes experts constituent l’une des applications les plus réussies de la technologie de l’intelligence artificielle. Nous vous recommandons donc de vous familiariser avec

Entretien avec le professeur Igor Baskin, docteur en sciences physiques et mathématiques, chercheur principal à la Faculté de physique de l'Université d'État de Moscou.

Quel est le plus grand défi pour les réseaux de neurones d’apprendre à établir des relations entre la structure d’une substance et ses propriétés physiques et chimiques ?

La plus grande difficulté et la principale caractéristique de l'utilisation des réseaux de neurones, comme de toute autre méthode d'apprentissage automatique, pour trouver des relations entre la structure et les propriétés des substances chimiques est que dans ce cas, ils doivent modéliser la nature réelle avec son organisation extrêmement complexe et parfois inconnue, contrôlée de manière stricte. mais pas toujours applicable dans la pratique des lois.

Il s'agit d'une différence fondamentale par rapport aux problèmes standards résolus à l'aide de réseaux de neurones, tels que la reconnaissance d'images. En effet, le fait que le chiffre 8 soit représenté sous la forme de deux cercles qui se touchent n'est pas la conséquence d'aucune loi de la nature - c'est simplement le sujet d'accords entre les personnes. Mais les Romains ont décidé à un moment donné qu'il était préférable pour eux de représenter le même nombre que VIII. Puisque de tels accords sont conclus par souci de commodité, leur forme est choisie de telle manière que les réseaux neuronaux naturels dans la tête d’une personne les reconnaissent très facilement au niveau subconscient.

Par conséquent, il me semble que les réseaux de neurones artificiels, qui imitent dans une certaine mesure certains aspects du traitement de l'information dans la tête humaine, peuvent également y faire face facilement.

Passons maintenant aux produits chimiques. Le fait que l'aspirine ait un effet anti-inflammatoire est dû à la capacité de ses molécules d'acide acétylsalicylique à inhiber l'enzyme cyclooxygénase en raison de la complémentarité des formes spatiales du médicament et des molécules enzymatiques et de l'équilibre favorable de nombreuses forces agissant dans le système. .

La tâche de prédire les propriétés des produits chimiques en fonction de leur structure, contrairement, par exemple, au problème de la reconnaissance d'images, n'a jamais été rencontrée auparavant au cours du processus d'évolution, et donc les réseaux neuronaux naturels de notre cerveau ne peuvent pas la résoudre de la même manière. facilité à un niveau subconscient.

En effet, n'importe quel enfant (et même certains animaux) peut facilement distinguer un chat d'un chien sur une image, mais même une douzaine de lauréats du prix Nobel, en examinant la formule d'un composé chimique, sont peu susceptibles de deviner immédiatement avec précision l'ensemble de ses propriétés. .

Il s’agit d’une tâche d’un autre niveau de complexité. En le résolvant, un gros problème est même quelque chose qui n'est généralement pas perçu comme quelque chose de complexe, par exemple, comment représenter l'objet analysé sur un réseau neuronal. En traitement d’image, par exemple, une représentation naturelle est un ensemble d’intensités de pixels.

Mais comment représenter au mieux la structure de la matière pour un réseau neuronal est déjà une tâche complexe, et il n'existe pas de solutions aussi simples. Les soi-disant systèmes utilisés pour résoudre ce problème sont : descripteurs moléculaires, c'est-à-dire les procédures informatiques spéciales qui permettent de décrire la structure de la matière à l'aide d'un ensemble de nombres présentent de nombreux inconvénients. La manière de représenter et de traiter au mieux les informations sur les substances chimiques fait l'objet d'une science qui s'est développée de manière très intensive ces dernières années : la chimioinformatique.

Sans s'appuyer sur les connaissances scientifiques accumulées en chimioinformatique, toute tentative d'utiliser des réseaux de neurones pour établir un lien entre la structure d'une substance et ses propriétés se transforme en un pur jeu de nombres et ne conduit pas à des résultats pratiquement importants. C’est probablement la principale difficulté de l’utilisation des réseaux de neurones à cette fin.

Quels sont les 10 principaux défis de l’intelligence artificielle en chimie de synthèse ?

1. Comment synthétiser un composé chimique donné à partir des réactifs disponibles ?
2. Comment synthétiser un composé chimique avec une activité donnée ?
3. À quoi cela ressemblerait-il et comment synthétiser une bibliothèque combinatoire de composés chimiques axée sur un type d’activité biologique donné ?
4. Que se passera-t-il à la suite de la réaction si vous mélangez les composés chimiques donnés dans les conditions données ?
5. Dans quelles conditions la réaction donnée doit-elle être effectuée ? Comment optimiser de telles conditions (température, solvant, catalyseur, additifs) ?
6. Quel est le mécanisme probable de la réaction donnée ?
7. Comment augmenter le rendement d'une réaction donnée ?
8. Énumérez les réactions chimiques possibles
9. Évaluer la disponibilité synthétique (facilité de synthèse) d'un composé donné.
10. Prédire les caractéristiques cinétiques et thermodynamiques de réactions simples et le rendement de réactions complexes.

Quelle est la tâche de calculer toutes les réactions chimiques possibles ?

Il s'agit peut-être d'une combinaison des deux tâches ci-dessus : (8) répertorier les réactions chimiques possibles et (10) prédire leurs caractéristiques et leur rendement cinétiques et thermodynamiques.

Quelle est actuellement la meilleure façon en chimioinformatique de comprendre la structure de la matière ? Des matrices multidimensionnelles ? Dans quelle mesure décrivent-ils complètement l’ensemble de la structure ? Y a-t-il des lacunes à combler ?

Il n’existe pas de réponse simple et sans ambiguïté à cette question. Tout dépend de quels types de substances nous parlons, ainsi que dans quelles conditions et dans quels états d'agrégation elles sont considérées. De plus, le choix d'un type spécifique de représentation dépend de l'objectif pour lequel il est effectué - pour l'identification sans ambiguïté d'une substance, le stockage dans une base de données, pour la construction de modèles éventuels, pour le transfert d'informations entre programmes.

En chimioinformatique, différentes représentations sont généralement utilisées à toutes ces fins. Le cas le plus simple est celui des hydrocarbures saturés - des composés organiques constitués uniquement d'atomes de carbone et d'hydrogène et ne contenant pas de liaisons multiples. Pour les représenter, il convient d'utiliser des graphiques dans lesquels les sommets correspondent aux atomes de carbone et les arêtes correspondent aux liaisons entre eux. Il est intéressant de noter que c'est le problème de l'explication de la présence de divers isomères dans les composés organiques qui a servi d'incitation à la création et au développement des fondements de la théorie des graphes, et le problème de l'énumération des isomères - la théorie combinatoire des groupes. Ces deux branches des mathématiques discrètes ont ensuite trouvé une application très large dans presque tous les domaines de la connaissance scientifique.

Le prochain niveau de complexité concerne les composés organiques arbitraires de faible poids moléculaire. Ce sont par exemple les molécules de la plupart des médicaments, ainsi que les réactifs de départ et les intermédiaires pour leur synthèse. Pour les identifier, il est également pratique d’utiliser des graphiques, mais cette fois avec des sommets et des arêtes étiquetés. Dans ce cas, les étiquettes des sommets sont les désignations des éléments chimiques et les étiquettes des bords sont les ordres des liaisons.

Pour la représentation interne des molécules dans la RAM de l'ordinateur, dans ce cas, il est possible d'utiliser des matrices de connectivité graphique, mais en réalité, des structures de données complexes, comprenant des tableaux d'atomes et de liaisons, sont plus souvent utilisées.

Pour organiser efficacement la recherche de structures dans des bases de données et les comparer entre elles, les représentations les plus populaires sont les chaînes de bits spéciales appelées « empreintes moléculaires » (empreintes digitales).

Pour construire des modèles reliant les structures des composés à leurs propriétés, des vecteurs de caractéristiques, appelés « descripteurs moléculaires » en chimioinformatique, sont utilisés comme représentations. Il existe une grande variété (des milliers !) de différents types de descripteurs moléculaires.

Pour l'échange d'informations entre programmes et pour la représentation « externe » de structures chimiques, les chaînes de texte appelées SMILES sont actuellement les plus populaires. La tâche de représentation des composés organiques est compliquée par des phénomènes purement chimiques tels que la dissociation électrolytique, la mésomérie et la tautomérie, à la suite desquels une substance organique peut être décrite par tout un ensemble de graphiques différents et peut donc avoir plusieurs représentations, à partir desquelles la représentation « canonique » est généralement choisie à des fins d'identification.

La tâche devient encore plus compliquée s'il faut prendre en compte l'isomérie géométrique et spatiale (stéréoisomérie), ce qui n'est pas toujours possible au niveau du graphe et nécessite souvent des éléments d'une représentation hypergraphique. De plus, à des fins de modélisation, il est nécessaire de prendre en compte la présence de molécules flexibles sous de nombreuses formes spatiales - les conformères. Toutes ces circonstances doivent être prises en compte lors du choix des représentations chimiques pour l’apprentissage automatique.

Aux niveaux de complexité ultérieurs, par exemple lorsqu'on passe aux complexes supramoléculaires, aux polymères synthétiques et aux matériaux à l'état solide, la tâche consistant à trouver la représentation la plus adéquate de la structure d'une substance devient encore plus complexe et aucune solution satisfaisante n'a été proposée. pour cela à ce jour.

Les approches existantes en informatique des polymères et des cristaux se concentrent principalement sur la modélisation, et uniquement pour les cas les plus simples, et aucune tentative n'a encore été faite pour créer une informatique pour la chimie supramoléculaire. Il ne faut donc pas parler ici de lacunes, mais de petites zones explorées au sein d’une vaste terra incognito.

Pour ceux qui s'intéressent aux méthodes de représentation de substances chimiques sur un ordinateur, je recommanderais notre monographie : T.I. Majidov, I.I. Baskin, I.S. Antipin, A.A. Warnek « Introduction à la chimioinformatique. Représentation informatique des structures chimiques. Kazan : Kazan. univ., 2013, ISBN 978-5-00019-131-6.

Quelles avancées majeures en chimie de synthèse ont eu lieu cette année ?

La chimie organique synthétique a près de 200 ans et le principal sommet de son développement en tant que science fondamentale s'est produit dans la seconde moitié du siècle dernier, lorsque ses lois fondamentales ont été formulées et que la possibilité réelle de synthétiser des substances de tout niveau de complexité a été démontrée. .

De nos jours, on parle de plus en plus de la chimie de synthèse en tant que discipline appliquée déjà établie, dont la tâche principale est de trouver des moyens optimaux pour obtenir des substances possédant les propriétés nécessaires. En conséquence, elle a longtemps été divisée en de nombreux domaines (par exemple, chimie médicinale, pétrochimie, catalyse, chimie de divers types de matériaux), dont chacun connaît un développement progressif et continu.

Pour moi, le plus grand intérêt réside dans les travaux de ces dernières années dans le domaine de la chimie robotique - une nouvelle discipline scientifique et appliquée visant à automatiser le processus de synthèse de substances à l'aide de robots spéciaux fonctionnant sous contrôle informatique.

Je voudrais particulièrement souligner les réalisations de ces dernières années dans la création de réacteurs chimiques miniatures intégrés dans des puces informatiques, qui permettent d'effectuer la synthèse, l'isolement, l'analyse et même les tests biologiques de substances synthétisées littéralement à l'intérieur d'un ordinateur contrôlé par des moyens artificiels. intelligence.

Quelles sont les avancées du machine learning en chimie de synthèse ? Où en sommes-nous ?

Je vais commencer par expliquer le contexte historique. Depuis l’apparition du terme « intelligence artificielle » dans les années 1950, la chimie (et en particulier la chimie organique de synthèse) est considérée, avec le diagnostic médical, comme l’un des principaux domaines de ses applications futures. La plupart des tâches restantes ont été définies bien plus tard.

Au premier stade de son développement, l'accent a été mis sur l'utilisation de ce qu'on appelle. des systèmes experts basés sur des règles stockées dans des bases de connaissances, formulées par des chimistes experts, et un mécanisme d'inférence logique.

Le premier système expert réussi dans le domaine de la chimie synthétique a été le programme LHASA développé sous la direction du lauréat du prix Nobel de chimie Elias Corey au début des années 1970. On peut affirmer que LHASA a à un moment donné révolutionné à la fois la chimie organique synthétique et l’intelligence artificielle, et a déterminé les principales orientations du développement de la chimie synthétique informatique pour de nombreuses années à venir. Il se trouve que c’est la chimie de synthèse qui est devenue le domaine dans lequel, dans les années 80, les capacités de l’intelligence artificielle se rapprochaient de très près et égalaient presque celles des chimistes de synthèse expérimentés. Cela a déterminé la popularité de la chimie synthétique parmi les spécialistes de l’intelligence artificielle dans les années 70 et 80.

Cependant, malgré les grands succès obtenus par l'intelligence artificielle dans le domaine de la chimie synthétique, dans les années 90, la popularité de cette direction a fortement diminué et est même devenue pratiquement nulle.

Il s'est produit une chose paradoxale qui fait encore l'objet de discussions parmi les spécialistes. Bien que la capacité de l'ordinateur à planifier la synthèse se rapproche de celle des chimistes synthétiques, ces derniers sont toujours nécessaires pour réaliser la synthèse, et aucun ordinateur ne peut les remplacer dans ce domaine. En conséquence, le programme informatique a commencé à être perçu comme un « jouet » coûteux dont on peut se passer et pour lequel il ne vaut pas la peine de dépenser de l'argent. Cela a coïncidé avec le début de « l’hiver » dans le domaine de l’intelligence artificielle, lorsque les défauts fondamentaux des systèmes experts basés sur des règles sont devenus évidents : seule une petite partie des connaissances peut être représentée et formulée par des experts sous la forme de règles claires, et donc l'essentiel, perçu par les experts uniquement au niveau de l'intuition, s'avère inutilisé dans le cadre des systèmes experts.

C’est à peu près ce qui a conduit à l’effondrement du programme informatique japonais de cinquième génération, autrefois ambitieux.

Les premiers travaux sur l'utilisation de l'apprentissage automatique dans la planification de synthèse sont apparus à la fin des années 80 et au début des années 90 pour tenter de surmonter les lacunes mentionnées ci-dessus des systèmes experts basés sur des règles en apprenant à un ordinateur à extraire des connaissances de manière indépendante (sans l'aide d'experts humains). de la réactivité des composés chimiques à partir de bases de données ont alors commencé à être constituées, contenant des informations sur les réactions chimiques publiées dans la littérature.

Dans un premier temps, ces connaissances ont pris la forme de règles destinées à reconstituer les bases de connaissances incluses dans les systèmes experts existants, puis ont commencé à être extraites des règles « floues », simulant l'intuition d'un chimiste de synthèse, pour lesquelles des réseaux de neurones ont commencé à être utilisés dans le début des années 90. Il faut dire qu'aujourd'hui encore, la tâche consistant à extraire automatiquement des connaissances sur la réactivité à partir de bases de données de réactions publiées pour une utilisation ultérieure dans le cadre de systèmes experts de nouvelle génération constitue un domaine central d'application de l'apprentissage automatique en chimie synthétique.

Une autre direction importante est désormais l'utilisation de l'apprentissage automatique pour établir un lien entre la structure d'une substance et ses propriétés, ce qui permet la synthèse des substances qui, selon les modèles construits, devraient être caractérisées par l'ensemble souhaité de propriétés.

Les premiers exemples d'extraction automatique de données utilisaient des bases de données de dizaines de réactions, puis des milliers, des dizaines de milliers ont suivi, et maintenant le travail est déjà en cours avec des millions et des dizaines de millions de réactions, qui couvrent déjà toutes les réactions réalisées dans le monde entier. 200 ans d'existence de la chimie de synthèse. Il y a eu une transition de la quantité à la qualité et le monde est entré dans l’ère du « big data ». Depuis le début des années 90, la puissance des ordinateurs a augmenté de plusieurs ordres de grandeur, notamment avec l'avènement des cartes graphiques GPU.

Ces dernières années, la méthodologie du « deep learning » est également devenue disponible, permettant d’extraire des connaissances basées sur des modèles très complexes à partir de grandes quantités de données. Tout cela a conduit ces dernières années à une explosion d’intérêt pour l’utilisation d’intérêts artificiels en chimie de synthèse. Des articles plus importants et intéressants ont été publiés au cours des deux dernières années qu’au cours des 20 années précédentes réunies. Ainsi, « l’hiver » prit fin et fut immédiatement remplacé, sans « printemps », par un « été très chaud ». Actuellement, en raison de l'énorme quantité de connaissances accumulées, il devient très difficile pour une personne, même un chimiste de synthèse très expérimenté, de rivaliser avec l'intelligence artificielle dans la planification d'une synthèse.

Pour ceux qui souhaitent comprendre cette question plus en détail, je recommanderais notre monographie qui vient de paraître : I.I. Baskin, T.I. Majidov, A.A. Varnek « Introduction to Chemoinformatics. Partie 5. Informatique des réactions chimiques. Kazan : Kazan. univ., 2017, ISBN 978-5-00019-907-7.

À quel point sommes-nous près d’énumérer les réactions chimiques possibles ? La science connaît environ 90 millions de réactions ? Quel est l'ordre de l'inconnu ?

Vous ne pouvez répertorier que quelque chose de discret et clairement différent les uns des autres, par exemple des composés organiques de faible poids moléculaire décrits dans différents graphiques. Dans le cas des réactions, la formulation du problème d’énumération lui-même est très peu évidente. Par exemple, les réactions d’hydrolyse de l’acétate d’éthyle et de l’acétate de méthyle sont-elles des réactions différentes ou deux exemples de la même réaction ?

Hydrolyse de l'acétate d'éthyle en milieu alcalin et acide - ces réactions différentes ou la même réaction sont-elles effectuées dans des conditions différentes ? Ainsi, l'énumération des réactions elle-même n'a de sens que dans le cadre d'un système de classification des réactions spécifique qui détermine ce qui est considéré comme une réaction et ce qui est considéré comme différent.

Il existe de nombreux systèmes de classification différents pour les réactions organiques, tous ayant une structure hiérarchique à plusieurs niveaux. Au niveau le plus bas (détaillé), où les réactions pour la formation de différents composés sont considérées comme des réactions différentes, le nombre de réactions ne peut pas être inférieur au nombre de composés chimiques, et les composés de faible poids moléculaire, même selon les estimations les plus conservatrices, sont 10 à la puissance 60, soit nettement plus que les particules élémentaires de l'Univers entier. Au niveau le plus élevé (abstrait), il peut y en avoir très peu. Par exemple, la plupart des étapes élémentaires des réactions organiques ne sont décrites que par quelques schémas généraux de redistribution des liaisons. Tout dépend de ce que l’on entend par le concept d’énumération des réactions.

Veuillez décrire la tâche plus en détail : « À quoi ressemblera-t-elle et comment synthétiser une bibliothèque combinatoire de composés chimiques axée sur un type d'activité biologique donné ? »

Supposons que l'on sache que certains composés d'une certaine classe (par exemple les pyrazoles substitués) présentent le type d'activité biologique souhaité. L'objectif est de synthétiser d'autres membres de la même classe en une seule étape avec un rendement élevé, en combinant divers précurseurs (réactifs initiaux pour la synthèse) à partir d'un catalogue de substances disponibles dans le commerce.

Un ensemble (bibliothèque) de composés chimiques ainsi synthétisés peut être soumis à des tests biologiques, qui pourraient très bien identifier des composés dotés d'un ensemble amélioré de propriétés. Il s’agit d’un problème bien réel qui se pose souvent lors du développement de nouveaux médicaments au stade « d’optimisation des leads ».

Dans ce cas, un programme informatique doit proposer une méthode de synthèse de composés d'une classe sélectionnée en une seule étape à partir de plusieurs précurseurs, trouver les précurseurs appropriés dans le catalogue et, pour chaque combinaison d'entre eux, évaluer la possibilité qu'une réaction de synthèse se produise avec un rendement élevé. . Par exemple, l'un des modules du système informatique WODCA vise à résoudre de tels problèmes (W.-D. Ihlenfeldt, J. Gasteiger, Angew. Chem., Int. Ed. Engl., 1995, 40, 993-1007). .

Quels groupes scientifiques dans le monde sont leaders dans l’utilisation de l’IA en chimie de synthèse ? Quelles sont leurs réalisations ?

Il existe déjà de nombreux groupes de ce type. Je vais énumérer sélectivement plusieurs groupes travaillant actuellement activement dans cette direction.

1. J. Gasteiger (Erlangen, Allemagne) est l'un des « pères » de la chimioinformatique, qui a apporté une énorme contribution à la formation de la chimioinformatique en tant que science, pionnier dans l'utilisation des réseaux de neurones en chimie. Sous sa direction, plusieurs systèmes informatiques de planification de la synthèse organique ont été développés : EROS, WODCA. En termes d’utilisation de l’IA en chimie synthétique, ses travaux sur l’utilisation de réseaux neuronaux Kohonen auto-organisés pour cartographier les réactions chimiques et extraire des connaissances sur la réactivité des composés organiques présentent un intérêt particulier.

2. G. Schneider (Zurich, Suisse). Du point de vue de l'utilisation de l'IA en chimie de synthèse, l'approche mise en œuvre dans le programme DOGS est d'un grand intérêt, car elle permet à un composé biologiquement actif donné de trouver les structures de ses analogues ainsi que les voies de leur synthèse à l'aide d'un ensemble de méthodes faciles à utiliser. réactions organiques réalisables et un catalogue de réactifs disponibles pour la synthèse. La plateforme ALOE développée dans son groupe est également particulièrement intéressante, conçue pour l'optimisation automatique des composés principaux (dans le développement de médicaments) à l'aide de la technologie de synthèse par micro-flux à l'aide de puces contrôlées par un logiciel basé sur des méthodes d'apprentissage automatique.

3. K. Funatsu (Tokyo, Japon). Sous sa direction, un système expert de planification de la synthèse organique, KOSP, a été développé, basé sur des règles automatiquement extraites d'une base de données de réactions. Le système SOPHIA de prédiction des produits de réactions chimiques est basé sur les mêmes règles.

4. B. A. Grzybowski, Evanston (Illinois), États-Unis et Varsovie, Pologne. Le produit principal est Chematica. Il s'agit d'un planificateur et optimiseur de synthèse basé sur un « réseau de chimie organique », qui est un « graphe de connaissances » contenant 10 millions de composés chimiques et 10 millions de réactions les reliant sous forme de sommets.

5. P. Baldi (Irvine (Californie), États-Unis). Développements intéressants : Reaction Explorer (un système expert basé sur des règles pour prédire les produits de réactions chimiques organiques) et Reaction Predictor (un système de réseau neuronal conçu pour prédire les produits de réaction en tenant compte de leurs mécanismes)

6. W. H. Green et K. F. Jensen, Cambridge (Massachusetts, États-Unis) Un système universel de prévision des produits de réaction de composés organiques a été développé, combinant l'utilisation de règles de réaction avec la modélisation de réseaux neuronaux utilisant l'apprentissage profond.

7. M. P. Waller (M. P. Waller, Münster, Allemagne et Shanghai, Chine) Un système universel de planification de la synthèse organique et de prévision des produits de réaction de composés organiques, basé sur l'approche « neurosymbolique », a été développé, combinant l'utilisation de réactions extraites automatiquement règles avec la modélisation de réseaux neuronaux utilisant le deep learning.

8. A. Varnek (Strasbourg, France) Un des groupes les plus actifs dans le domaine de la chimioinformatique. Le concept de « graphe de réaction condensé » a été développé, qui a permis de rechercher des similitudes dans les bases de données de réactions, d'appliquer des algorithmes d'apprentissage automatique aux données de réaction, de prédire les conditions optimales de synthèse et de construire des cartes de l'espace chimique des réactions.

9. T.M. Majidov (Kazan, Fédération de Russie) Il s'agit actuellement du seul groupe de travail actif de la Fédération de Russie menant des recherches dans le domaine de l'informatique des réactions de synthèse en chimie organique. Dans ce cadre, les caractéristiques cinétiques et thermodynamiques des réactions chimiques ont été prédites, un système expert de protection des groupes en synthèse organique a été créé et les espaces de réactions chimiques ont été cartographiés. L'essentiel des travaux est réalisé en étroite collaboration avec le Laboratoire de Chemoinformatique de l'Université de Strasbourg (A. Warneck).

Au cours de la dernière décennie, des progrès ont été activement discutés dans le domaine de la prévision des structures cristallines des substances - une direction qui a longtemps été considérée comme presque désespérée. Grâce à l'algorithme évolutif Oganov-Glass USPEX, il a été possible de découvrir de nombreux nouveaux composés chimiques stables qui avaient été jusqu'alors négligés par les chimistes. Selon vous, quelles sont les perspectives de l’approche évolutive dans le domaine de la synthèse de molécules organiques complexes ? Selon vous, faut-il s’attendre à un succès dans cette direction dans les dix prochaines années ?

L'approche évolutionniste (principalement l'algorithme génétique) est activement utilisée en chimioinformatique depuis plus de 25 ans et est considérée comme une méthode traditionnelle d'optimisation stochastique. La plupart des algorithmes connus d'amarrage moléculaire sont basés sur celui-ci - le processus « d'amarrage » d'une molécule d'un composé organique (par exemple, un médicament potentiel) dans la cavité d'une « cible biologique » (généralement une protéine).

Les algorithmes génétiques sont également très souvent utilisés pour sélectionner des descripteurs et rechercher des valeurs optimales des paramètres des méthodes d'apprentissage automatique lors de la construction de modèles permettant de prédire les propriétés des substances chimiques. Nous utilisons également souvent des algorithmes génétiques pour cartographier les espaces chimiques et réactionnels.

Mais pour résoudre directement le problème de planification de la synthèse, un algorithme génétique n’est généralement pas utilisé. Apparemment, diverses modifications de la méthode de Monte Carlo sont plus efficaces pour cette tâche. Quant aux dix prochaines années, je m’attends à l’émergence de méthodes d’optimisation stochastique plus efficaces sur le plan informatique.

Également ces dernières années, dans le domaine de l'apprentissage automatique, il y a eu une tendance notable au développement de techniques d'apprentissage non supervisé - une direction très attractive en raison du fait que le coût du marquage des tableaux avec la participation de personnes reste à peu près constant, et la puissance de calcul augmente constamment et devient moins chère. L'avènement des auto-encodeurs a ouvert la voie à l'émergence de techniques d'embedding ; les travaux de Yoshua Benyo et Thomas Mikolov ont révolutionné le traitement du langage naturel par les réseaux de neurones grâce à la création d'espaces vectoriels sémantiques (technologies word2vec, GloVe, etc.). L'application de cette approche semble très prometteuse et dans le domaine de la bioinformatique - séquences nucléotidiques d'ADN, épigénome, transcriptome - les textes sont très compréhensibles dans leur structure. Y a-t-il des avancées dans l’application de ces technologies en bioinformatique ? Placez-vous en eux des espoirs de progrès significatifs dans le domaine de l’analyse des données biologiques ?

Je ne dirai rien sur la bioinformatique, puisque je travaille dans le domaine de la chimioinformatique, et ce n'est pas la même chose. Quant à l'utilisation d'algorithmes de traitement de texte utilisant des réseaux de neurones récurrents de type LSTM, conduisant à la création d'espaces vectoriels sémantiques, ils sont très intensivement utilisés en chimioinformatique. De plus, ils conviennent encore mieux à la chimioinformatique qu’à la bioinformatique.

Le fait est que la structure chimique est également facile à écrire sous forme de chaîne - le codage SMILES est utilisé à cet effet. Dans ce cas, l’espace latent résultant est très bien adapté pour représenter des échantillons de composés chimiques destinés à être utilisés dans la construction de modèles de propriétés de structure. De plus, lorsque des réseaux de neurones récurrents ainsi entraînés sont lancés en mode génération, les structures de nouveaux composés chimiques se forment. Cela permet par exemple de résoudre le problème de la conception de molécules de nouveaux médicaments.

Quant aux auto-encodeurs, en 2011, sur la base d'eux, nous avons développé et publié une nouvelle méthode de criblage virtuel de bibliothèques (bases de données) de composés chimiques afin de rechercher des molécules prometteuses pour le développement de nouveaux médicaments.

Quant aux méthodes d'apprentissage non supervisé, elles sont utilisées de manière intensive en chimioinformatique depuis plus de 30 ans. Dans les années 80 et au début des années 90, la plus populaire était la méthode classique (développée dans les années 30 du siècle dernier !) linéaire des composantes principales (PCA), du milieu des années 90 à la fin des années 2000, le leader incontestable en popularité dans dans le domaine de la chimioinformatique, il existait des réseaux de neurones Kohonen auto-organisés, tandis que ces dernières années, un analogue probabiliste des réseaux Kohonen, construit sur la base de l'apprentissage bayésien, est devenu de plus en plus populaire en chimioinformatique - la cartographie topographique générative (GTM - Generative Topographic Mapping ). Les variantes de cette dernière méthode sont très bien adaptées pour travailler avec de grandes bases de données d'objets chimiques, y compris des réactions de synthèse organique. Entre autres méthodes d'apprentissage non supervisé, nous utilisons également une variante à une classe de machines à vecteurs de support (1-SVM) pour résoudre divers problèmes dans le domaine de la chemininformatique, ainsi qu'une classe spéciale de réseaux neuronaux « basés sur l'énergie » avec des connexions symétriques. , comme les réseaux Hopfield et les machines Boltzmann restreintes (RBM - Restricted Boltzmann Machine).

Quel est l’avenir de l’IA en chimie de synthèse ? À quelle vitesse l’IA supprimera-t-elle les emplois des chimistes ?

Je vois dans le futur plusieurs directions pour l’utilisation de l’IA en chimie synthétique, qui sont actuellement partiellement mises en œuvre. Par exemple, les méthodes d'IA pour le traitement de texte et la reconnaissance d'images sont déjà activement utilisées pour extraire des informations de la littérature et d'autres sources sur les méthodes de synthèse de substances chimiques, leurs propriétés et leur réactivité. Cela permet déjà de réduire considérablement le coût du recrutement d'un grand nombre de chimistes qualifiés (généralement peu payés et originaires des pays du tiers monde) qui extraient des informations de l'énorme volume de littérature publiée pour enrichir les bases de données.

Avec cette méthode de réapprovisionnement « manuelle », une partie importante des informations potentiellement utiles est « perdue ». Les méthodes d’IA commencent également à être utilisées pour traiter et analyser automatiquement les informations déjà collectées dans les bases de données, rechercher les erreurs, les corriger et reconstituer automatiquement les informations manquantes, ce qui peut augmenter considérablement la valeur de ces informations pour les chimistes de synthèse.

Il convient de noter que le laboratoire de chimioinformatique de l'Université fédérale de Kazan occupe une position de leader dans ce sens. Les chimistes de synthèse commencent déjà à utiliser des « cahiers électroniques » dans leur travail comme journaux de travail, qui à l'avenir seront saturés d'outils d'IA et deviendront le principal moyen de collecte d'informations chimiques.

À l’avenir, l’IA se chargera d’examiner et d’analyser régulièrement l’énorme volume de littérature publiée sur la synthèse chimique et les propriétés des substances chimiques, ce qui prend actuellement beaucoup de temps à tous les chimistes et est déjà mal fait. À l'avenir, les chimistes disposeront d'« assistants intelligents » qui pourront répondre à toutes les questions qui se posent dans leur travail, par exemple, comment synthétiser de manière optimale des substances chimiques, quelles substances doivent généralement être synthétisées dans un but donné. Des outils d'IA sont déjà intégrés dans les domaines de la chimie synthétique, de la pharmacologie, de la bioinformatique, de la science des matériaux et de la robotique. Cela conduira à l'avenir au fait que l'IA non seulement planifiera, mais réalisera également des synthèses chimiques de routine, ce qui augmentera considérablement l'efficacité du développement de nouveaux médicaments et de nouveaux matériaux. Je pense que dans un avenir un peu plus lointain, l’IA deviendra un outil majeur dans la planification et la conduite de la recherche scientifique dans le domaine de la chimie. Le développement moderne de la chimioinformatique vise précisément à cela.

Aujourd’hui, beaucoup, y compris un certain nombre d’éminents scientifiques, voient un grand danger dans l’introduction généralisée de l’IA, qui pourrait supprimer des emplois et peut-être même rendre l’existence de l’humanité inutile. Tout le monde se souvient immédiatement du film « Terminator ». Un tel danger existe bien entendu, mais des dangers similaires sont apparus avec l’introduction des machines et des technologies de l’information. Je pense que le développement de l’IA conduira davantage à l’émergence de spécialités et d’emplois supplémentaires qu’à la suppression des anciens. Dans le domaine de la chimie de synthèse, l’IA libérera les gens du travail de routine qui prend la majeure partie de leur temps et rendra le travail des chimistes beaucoup plus créatif et productif. L’IA est plus susceptible de contribuer au développement et à l’utilisation efficace des capacités humaines que de constituer une menace pour celles-ci.

Des questions ont été posées par Misha Batin et Seryozha Markov.

Mustafina Nailya Mugattarovna, célibataire, étudiant
Université agraire d'État bachkir
Sharafutdinov Aïdar Gazizianovitch, Candidat en Sciences, Professeur agrégé, Professeur agrégé
Université agraire d'État bachkir

MACHINES INFORMATIQUES
TECHNIQUE
SCIENCE
INTELLIGENCE ARTIFICIELLE

Aujourd'hui, les progrès scientifiques et technologiques se développent rapidement. L’intelligence artificielle est l’une de ses industries à croissance rapide.

Aujourd'hui, le progrès technologique se développe rapidement. La science ne reste pas immobile et chaque année, les gens proposent des technologies de plus en plus avancées. L’intelligence artificielle est l’une des nouvelles orientations du développement du progrès technologique.

L’humanité a entendu parler pour la première fois de l’intelligence artificielle il y a plus de 50 ans. Cela s'est produit lors d'une conférence tenue en 1956 à l'Université de Dartmouth, au cours de laquelle John McCarthy a donné au terme une définition claire et précise. « L'intelligence artificielle est la science de la création de machines et de programmes informatiques intelligents. Aux fins de cette science, les ordinateurs sont utilisés comme moyen de comprendre les caractéristiques de l'intelligence humaine, tandis que l'étude de l'IA ne doit pas se limiter à l'utilisation de méthodes biologiquement plausibles.

L'intelligence artificielle des ordinateurs modernes est d'un niveau assez élevé, mais pas à un niveau tel que leurs capacités comportementales ne soient pas inférieures à celles des animaux les plus primitifs.

Le résultat des recherches sur « l'intelligence artificielle » est la volonté de comprendre le travail du cerveau, de révéler les secrets de la conscience humaine et le problème de la création de machines dotées d'un certain niveau d'intelligence humaine. La possibilité fondamentale de modéliser les processus intellectuels découle du fait que toute fonction cérébrale, toute activité mentale, décrite dans un langage à la sémantique strictement univoque utilisant un nombre fini de mots, peut en principe être transférée vers un ordinateur numérique électronique.

Actuellement, certains modèles d'intelligence artificielle ont été développés dans divers domaines, mais aucun ordinateur capable de traiter des informations dans un nouveau domaine n'a encore été créé.

Preuve de théorèmes. L’étude des techniques de démonstration de théorèmes a joué un rôle important dans le développement de l’intelligence artificielle. De nombreux problèmes informels, par exemple les diagnostics médicaux, sont résolus à l'aide d'approches méthodologiques utilisées pour automatiser la preuve des théorèmes. Trouver une preuve d'un théorème mathématique nécessite non seulement une déduction à partir d'hypothèses, mais également la création d'hypothèses intuitives sur lesquelles des énoncés intermédiaires doivent être prouvés pour la preuve globale du théorème principal.
Reconnaissance d'images. L'utilisation de l'intelligence artificielle pour la reconnaissance d'images a permis de créer des systèmes pratiquement fonctionnels pour identifier des objets graphiques basés sur des caractéristiques similaires. Toutes les caractéristiques des objets à reconnaître peuvent être considérées comme des caractéristiques. Les caractéristiques doivent être invariantes par rapport à l'orientation, à la taille et à la forme des objets. L'alphabet des fonctionnalités est formé par le développeur du système. La qualité de la reconnaissance dépend en grande partie de la manière dont l'alphabet des fonctionnalités a été développé. La reconnaissance consiste à obtenir a priori un vecteur de caractéristiques pour un objet distinct sélectionné dans l'image puis à déterminer à laquelle des normes de l'alphabet de caractéristiques correspond ce vecteur.
Traduction automatique et compréhension de la parole humaine. La tâche consistant à analyser des phrases vocales humaines à l’aide d’un dictionnaire est une tâche typique des systèmes d’intelligence artificielle. Pour résoudre ce problème, un langage intermédiaire a été créé pour faciliter la comparaison de phrases de différentes langues. Par la suite, cette langue intermédiaire s'est transformée en un modèle sémantique pour représenter le sens des textes à traduire. L'évolution du modèle sémantique a conduit à la création d'un langage de représentation interne des connaissances. En conséquence, les systèmes modernes analysent les textes et les phrases en quatre étapes principales : analyse morphologique, analyse syntaxique, sémantique et pragmatique.
Programmes de jeux. La plupart des programmes de jeux reposent sur quelques idées de base de l’intelligence artificielle, comme l’itération et l’auto-apprentissage. L’un des problèmes les plus intéressants dans le domaine des programmes de jeux utilisant des méthodes d’intelligence artificielle est d’apprendre à un ordinateur à jouer aux échecs. Elle a été fondée aux débuts de l’informatique, à la fin des années 50. Aux échecs, il existe certains niveaux de compétence, degrés de qualité de jeu, qui peuvent fournir des critères clairs pour évaluer la croissance intellectuelle du système. Par conséquent, les échecs informatiques ont été activement étudiés par des scientifiques du monde entier et les résultats de leurs réalisations sont utilisés dans d'autres développements intellectuels qui ont une réelle signification pratique.
Créativité mécanique. L'un des domaines d'application de l'intelligence artificielle comprend les systèmes logiciels capables de créer indépendamment de la musique, de la poésie, des histoires, des articles, des diplômes et même des mémoires. Il existe aujourd'hui toute une classe de langages de programmation musicale (par exemple, le langage C-Sound). Pour diverses tâches musicales, des logiciels spéciaux ont été créés : systèmes de traitement du son, synthèse sonore, systèmes de composition interactifs, programmes de composition algorithmique.
Systèmes experts. Les méthodes d'intelligence artificielle ont trouvé des applications dans la création de systèmes de conseil automatisés ou de systèmes experts. Les premiers systèmes experts ont été développés comme outils de recherche dans les années 1960. Il s’agissait de systèmes d’intelligence artificielle spécialement conçus pour résoudre des problèmes complexes dans un domaine restreint, tel que le diagnostic médical des maladies. L'objectif classique de cette direction était initialement de créer un système d'intelligence artificielle à usage général, capable de résoudre n'importe quel problème sans connaissances spécifiques dans le domaine. En raison de ressources informatiques limitées, ce problème s’est avéré trop complexe pour être résolu avec un résultat acceptable.

On peut dire que l’objectif principal du développement de l’intelligence artificielle est l’optimisation ; imaginez comment une personne, sans être exposée à un danger, pourrait étudier d’autres planètes et extraire des métaux précieux.

Ainsi, nous pouvons conclure que l’étude et le développement de l’intelligence artificielle sont importants pour l’ensemble de la société. Après tout, grâce à l'utilisation de ce système, il est possible de sécuriser et de faciliter la vie humaine.

Références

Yasnitski L.N. Sur les possibilités d'utilisation de l'intelligence artificielle [Ressource électronique] : bibliothèque électronique scientifique. URL : http://cyberleninka.ru/ (date de consultation le 01/06/2016)
Yastreb N.A. Intelligence artificielle [Ressource électronique] : bibliothèque électronique scientifique. URL : http://cyberleninka.ru/ (date de consultation le 01/06/2016)
Abdulatipova M.A. Intelligence artificielle [Ressource électronique] : bibliothèque électronique scientifique. URL : http://cyberleninka.ru/ (date de consultation le 01/06/2016)