Yapay zekanın günümüzdeki örnekleri. Yapay zeka alanındaki modern gelişmeler. Yapay zekanın uygulama alanları

Bilişim teknolojilerinin gelişim alanlarından biri de yapay zekadır (AI). Analistler, 2011 yılında alanda gelişmelere öncülük eden şirketlerle 67 anlaşmanın imzalandığını belirtiyor yapay zeka 2016 yılı istatistikleri hakkında konuşmak için henüz çok erken, ancak yalnızca bu yılın ilk çeyreğindeki rekor 140 işlem bu sektöre olan talebin arttığını gösteriyor. Bu haklı çünkü teknoloji hayatın birçok alanında uygulama alanı bulabilmektedir.

Diyagram – Geliştiricilerle yapılan anlaşma sayısının dinamiği yapay zeka, birimler.

Tarımda işleme ve hasat ekipmanlarında yapay zeka kullanılıyor. Bu alandaki çalışmalar hem yabancı hem de Rus mühendisler tarafından yürütülüyor.

Örneğin Otonom Traktör İşbirliği, insansız kontrollü Spirit traktörünü 2012 yılında piyasaya sürdü. Ekipmanı, radyo navigasyonu ve lazer jiroskopunun bir simbiyozu olan AutoDrive sistemini içerir. Bu sistem, traktörün daha önce sürücüyle birlikte kat ettiği rota boyunca bağımsız hareket etmesini sağlar.

Bu yıl Rus üretici Cognitive Technologies, bilgisayar görüşüyle ​​donatılmış insansız bir traktörün testini düzenledi. Bu çözüm tarım makinelerinin hasar görmesini önlemenizi sağlar çünkü Tedavi edilen alanlardaki yabancı cisimleri önceden tespit eder. Cihazın sağladığı video kameralar ve navigasyon sensörleri, tehlikeli nesnelerin konumu hakkında gerçek zamanlı bilgi topluyor.

Bağımsız traktör CNH Industrial tarafından geliştirildi. Benzersizliği, ışığın yansıması ve saçılması olgusuna dayanan bir lidar sistemi kullanarak bilgi biriktirmesi gerçeğinde yatmaktadır.

Blue River Technology ve PlantVillage gibi geliştiriciler yabani ot kontrol teknolojilerini geliştirmek için vektörü kullandılar. Akıllı makineler istenmeyen bitkileri tanır ve yok eder.

Otonom ulaşım çözümlerinin tarımsal verimliliği önemli ölçüde artırması bekleniyor. Belki gelecekte bu sektör insan müdahalesi olmadan tamamen işleyebilecektir. Bilim insanları yapay zekanın dikey çiftlikler olarak adlandırılan alanda kendine yer bulacağına inanıyor. tamamen sera tarımı. Cihazlar, mahsul için önemli olan nem, ışık ve sıcaklık gibi göstergeleri izleyip dalgalanmalara hızla yanıt verebilecek.

Yapay zeka g cinsindenkamu sektörü

Yapay zeka Batı'da kolluk kuvvetleri ve itfaiye hizmetlerinde birkaç yıldır kullanılmaktadır.

Series Finder programının geliştiricileri dokuz hırsızlık senaryosu belirledi. Teknolojinin altında yatan algoritmalar, bir eve girmenin kolaylığı, günün saati, haftanın günü vb. gibi birçok faktörü analiz ediyor ve suçlunun potansiyel davranışını yeniden üretiyor. Bu, yalnızca hazır bir şablon kullanılarak bir suçun hızlı bir şekilde tespit edilmesine katkıda bulunmakla kalmaz, aynı zamanda tehlikenin tahmin edilmesine ve önlenmesine de olanak tanır.

Rochester Üniversitesi'nden uzmanlar, akıllı sistemlerin yardımıyla uyuşturucu satıcılarının Instagram'daki kullanıcı davranışlarına göre tespit edilebileceğini iddia ediyor.

Bu arada NASA, itfaiyeciler için, amacı itfaiye ekibi arasında koordineli etkileşimi organize etmek ve yangın yerindeki her uzmanı durumun durumu hakkında derhal bilgilendirmek olan bir "demir" asistan tasarlıyor.

Araştırmacılar, özel ortamlar da dahil olmak üzere güvenlik sağlayan akıllı teknolojilere olan güvenin yakın gelecekte artacağına inanıyor. Yapay zekanın avantajı, insanların kaçırdığı şeyleri yakalayabilmesi, büyük miktarda veriyi toplayıp analiz edebilmesi, kalıplaşmış durumlar oluşturabilmesi ve her durumda tarafsız ve kayıtsız kalabilmesidir. Ancak bilim adamları, bir kişiyi nüfusun güvenliğini düzenleyen hükümet yapılarından tamamen dışlamanın mümkün olmayacağını açıklıyor. Yalnızca “yaşayan” uzmanların tabi olduğu, psikolojik analiz gerektiren süreçler ve kararlar vardır. Aynı zamanda akıllı makineler tehlikeli işlevler üstlenebilir. Örneğin yanan bir binayı inceleyin, kurşunlardan korunma sağlayın vb.

Teknoloji insanın en iyi dostudur. VE yapay zeka hayatımın her gününde

Uzun yıllardır onlarca mühendis akıllı ev projesi üzerinde çalışıyor. Odadaki sıcaklığı ayarlama, aydınlatmayı otomatik olarak ayarlama, giriş kapılarını açma/kapama, temizlik ve düzeni sağlama ve daha birçok konuda yapay zekaya sorumluluk vermek istiyorlar. Yaratıcılar, algoritmaların uzaktan kumanda veya başka bir uzaktan kumanda cihazından başlatılmaması, ses ve jestlerin tanınması için son derece akıllı bir evle kontrol ve "iletişim" sürecini mümkün olduğunca basitleştirmeyi amaçlıyor.

“Akıllı” evin geliştirilmesine paralel olarak bilim insanları, kişiye mükemmel bir yaşam yaratmak üzere tasarlanan akıllı asistanları test ediyor. Çeşitli sosyal robot modelleri, belirli bir kişi için rahat olan ortam sıcaklığını belirleyebilir ve bunu odada düzenleyebilir, konuşmayı sürdürebilir, yüzleri hatırlayabilir ve talimatları takip edebilir.

2030 yılına kadar ev robotlarının norm haline gelmesi bekleniyor. Bir kişiyi günlük görevlerden tamamen kurtaramayacaklar, ancak en uygun yaşam koşullarını sağlayabilecekler, bir dizi temel süreci otomatikleştirebilecekler, konut ve iş kazalarını tahmin edip önleyebilecekler, mülk güvenliğinden sorumlu olabilecekler vb. . Bazı çözümler engelli insanlar için yararlı olabilir.

Eğitim Sektöründe Yapay Zeka

Modern teknolojiler eğitim sistemini aktif olarak modernleştiriyor. Örneğin, Rusya'da bazı büyükşehir okulları, ebeveynlere çocuklarının çevrimiçi gelişimi ve devamı hakkında bilgi sağlayan ve öğretmenlerin "kağıt" işlerini basitleştiren elektronik dergileri test ediyor. Bu yıl Öğretmenler Günü'nde robot, ülkemiz için benzersiz bir etkinlik olan Kazan liselerinden birinde bir öğretmenle birlikte bilgisayar bilimleri dersi verdi.

Dünya, öğrencinin bilgi düzeyini belirleyen, cevapların doğruluğunu değerlendiren ve kişiselleştirilmiş bir öğrenme programı geliştiren akıllı eğitim sistemlerini zaten biliyor. Örnek olarak AutoTutor, Knewton, SHERLOCK gibi çözümleri sayabiliriz. İkincisi ABD Hava Kuvvetleri tarafından pilot eğitimi için kullanılıyor. Bir dizi çevrimiçi öğrenme platformu oldukça iyi bir şekilde geliştirildi. Özellikle Coursera ve Duolingo hizmetleri Rusya da dahil olmak üzere tanıdık geliyor.

Eğitim alanında yapay zeka gelecek. Çekicidir çünkü her öğrenci için öğrencinin yeteneklerini ve ilgi alanlarını dikkate alan ve dolayısıyla potansiyelini mümkün olduğunca etkili bir şekilde ortaya çıkaran benzersiz bir gelişim planı oluşturabilmektedir. Ayrıca yapay zeka Bilgiyi değerlendirirken veya görevleri kontrol ederken tarafsız olun. Robotlar sadece bir öğretmenden bağımsız olarak ders vermekle kalmıyor, aynı zamanda ona yardım da edebiliyor.

University College London'daki Bilgi Laboratuvarı'ndaki bilim adamları, gelecekte her insanın kendi öğrenme danışmanına sahip olacağını öngörüyor. Makine öğrenimi, mobil cihazdaki bir uygulama aracılığıyla her zaman "el altında" olacak şekilde insan yeteneklerini tanımlayacak ve eğitim için önerilerde bulunacaktır.

F'de yapay zekaFinans sektörü

Bankacılık sistemi ve finans sektöründe yapay zeka hem yardımcı hem de tehdit haline gelebiliyor. Örneğin, otomatik sistemler mali dolandırıcılıkların ve şüpheli işlemlerin takibini kolaylaştırır. MasterCard, Ulusal Tasarruf Bankası'nın desteğiyle benzer bir çözümü test ediyor.

Bankalar ayrıca müşterilerle çalışırken robotik çalışanları kullanmayı planlıyor. VE yapay zeka müşteri isteklerini işleyebilir, hizmet ve fırsatlar hakkında bilgi verebilir, teknik destek sağlayabilir. İsveç bankası Swedbank 2014 yılında yapay bir asistanı test etmişti. Swedbank temsilcilerine göre robot, lansmanından bir yıl sonra bankaya gelen tüm çağrıların %80'ini çözümledi.

Finansal kurumlar kullanım alanı buldu yapay zeka ve personel yönetim sisteminde. Akıllı teknolojiler, çalışanların kararlarını kontrol ederek, yasa dışı eylemlere anında müdahale ederek bankanın hatası nedeniyle mevzuat normlarının ihlal edilmesini önler.

2016 yazında, finans kuruluşları Goldman Sachs, Morgan Stanley Citigroup ve UBS Group'un gelişmelere yatırım yaptığı bilgisi ortaya çıktı. yapay zeka personel alımı için. Böyle bir çözümün olanakları arasında kabul edilebilir özgeçmişlerin seçimi, başvuru sahiplerinin mesleki niteliklerinin değerlendirilmesi ve video görüşmelerinin organizasyonu yer almaktadır. Şirket temsilcileri, akıllı teknolojilerin yalnızca işe alım sürecini otomatikleştirmekle kalmayıp aynı zamanda personel değişimini de azaltacağını umuyor.

Uygulama geliştiricileri Pefin ve Wallet.ai, kişisel finansmanı çevrimiçi platformlara emanet etti. Hizmetler, enflasyon ve vergiler gibi ekonomik göstergeleri dikkate alarak, bir kişinin ne kadar harcayabileceğini veya yatırım yapabileceğini hesaplayarak bireysel bir finansal sistem oluşturur.

Bu yıl, Baker & McKenzie hukuk firmasının analitik hizmetleri, önümüzdeki üç yıl içinde yapılacak olan çalışmanın sonuçlarını yayınladı. yapay zeka finans alanında yaygın olarak kullanılmaya başlayacak. Ankete katılan 424 banka yöneticisinin yarısı, kurumun çalışmalarına akıllı sistemler getirme planlarını açıkladı; bunların %39'u yasadışı para transferlerini önlemek ve %26'sı bankanın eylemlerinin yasallığını izlemek içindi.

Taşıma sisteminde yapay zeka

Ulaştırma altyapısında yapay zekanın gelişiminin ana yönü insansız araçların yaratılmasıdır. Google, Tesla, General Motors ve diğerleri bu tür sistemleri aktif olarak test ediyor. Otomobil endişeleri Ford ve BMW de 2021 yılına kadar bağımsız otomobil üretme planlarını duyuruyor.

Şu anda sürücüsüz otomobiller, çevreyi analiz edebilen, yolda bir kişinin varlığını tanıyabilen ve acil durumlarda kontrolü sürücüye aktarabilen algoritmalar içeriyor.

Ayrıca yapay zeka Güzergah boyunca ulaşımın hareketini izleyen ve yaklaşık varış zamanını hesaplayan “akıllı” toplu taşıma duraklarında kullanılır.

Dört yıl önce Carnegie Üniversitesi'ndeki mühendisler "akıllı" trafik ışıklarını başlattılar. Yoldaki durumu değerlendiriyorlar ve araç sıkışıklığı olduğunda otomatik olarak yeşil ışığı yakıyorlar. Geliştiricilere göre, kendi kendine kontrol edilen kavşaklar etkinliğini gösterdi: İzin sinyali için bekleme aralığındaki %40'lık azalma sayesinde sürücüler seyahat sürelerinden %21 tasarruf sağlıyor.

Uzmanlar yapay zekanın yeteneklerinin trafik yönetiminde yaygın olarak kullanılacağına inanıyor. 2020 yılına gelindiğinde uçan araçlar da dahil olmak üzere yollarda yaklaşık 10 milyon insansız araç bulunacak. Akıllı ulaşım yalnızca özel alanda popüler olmayacak. Örneğin Fransa'da sürücüsüz otobüs piyasaya sürüldü. Bilim adamları, bu tür cihazların karayolu trafiğini koruyacağına, birçok kazanın önlenmesine yardımcı olacağına ve yoldaki durumu çevrimiçi olarak izleyeceğine inanıyor.

P'de yapay zekaendüstri

Pek çok Avrupa fabrikası, üretim süreçlerini otomatikleştirmek için halihazırda robotik çözümler kullanıyor. Bu, çalışanları zorlu ve tehlikeli üretim işlerinden kurtarır. VE yapay zekaÜretim hatalarının önlenmesine yardımcı olarak ürünün kalitesini artırır, üretimi için zaman ve malzeme maliyetlerini azaltır ve aynı zamanda sürekli üretime olanak tanır.

Uygulamayı gerçekleştiren ticari işletmelerin kitap örneği yapay zekaüretim sürecinde Hamburg ve Harley-Davidson limanı bulunmaktadır. İlki, en son teknolojileri kullanarak verimi 2,5 kattan fazla artırmayı başardı. İkincisi ise motosiklet montaj süresinin 21 günden 6 saate düşürülmesi.

2014 yılında Cisco, AT&T, IBM ve Intel, IIoT teknolojilerini ve projelerini teşvik etmeyi amaçlayan Endüstriyel İnternet Konsorsiyumu (IIC) oluşturmak üzere birleşti.Yerli fabrikaların çalışma ortamında akıllı sistemler kullandığına dair bir örnek yok. Bu yılın ağustos ayında kurulan Ulusal Endüstriyel İnternet Konsorsiyumu'ndan durumu değiştirmeye yardım etmesi isteniyor.

Sağlıkta Yapay Zeka

IBM, Watson çözümünü tanıttı. Teşhis koymak için tıbbi verileri ve hatta görüntüleri analiz edebilen bir süper bilgisayardır. Teknolojiyi geliştiren IBM, Watson'ı çocuklarda nadir görülen hastalıkların ince belirtilerini tespit etmesi için eğitiyor. Şirket, teknolojinin sağlık kurumlarında yaygın şekilde uygulanmasını hızlandıracak yaklaşık iki düzine tıp merkeziyle işbirliği yapıyor.

Kullanarak yapay zeka Kanseri erken evrelerde teşhis etmeyi planlıyoruz. Behold.ai'nin geliştiricileri, bu hastalığın tedavisinin alışılagelmiş ilaç tedavisiyle olmayacağını bildiriyor. Amaçları yapay zekaya kötü huylu tümörleri X ışınlarından son derece erken tespit etmeyi öğretmek; bu da tedavi etmek değil, hastalığın gelişmesini önlemek.

Partners Bay Labs ve Arterys, kalp hastalıklarını benzer şekilde teşhis etmeyi planlıyor. Teknoloji ultrason analizine dayanıyor, bu nedenle “akıllı” ekipman doktorun erişemediği şeyleri görebiliyor.

Bilim insanları gelecekte akıllı telefonların insan sağlığını tarayacağını söylüyor. Aktivite, uyku ve sosyallik analizine dayanarak depresyon gibi zihinsel bozuklukların bile tanısı konabilir. Ayrıca yapay zeka Yeni ilaçların araştırılmasına bir rol atayın. Algoritmalar virüs açıklarını tespit edecek ve bunları ortadan kaldırmak için moleküler yapıların etkili kombinasyonlarını seçecek.

Üstün akıldan mağlup yaratıcıya

Bilim adamlarının “akıllı” dünya, dijitalleşen yaşam, mahallelerdeki robotlar ve Nesnelerin İnterneti uygarlığına dair pek çok öngörüsü bugün fantastik görünüyor. Ancak sınırsız olasılıklara olan inanç veya şüpheden bağımsız olarak yapay zeka teknoloji çevremizdeki her şeyi dinamik olarak değiştiriyor. Geliştiriciler, keşif üstüne keşif, küçük icatlar ve devrim niteliğinde fikirlerle gezegeni son derece akıllı bir makine gerçekliğine taşıyor.

Bilim kurgu yazarlarının hayal gücünün meyvelerinin fiziksel olarak somutlaşacağı tarihleri ​​kesin olarak adlandırmak zordur. Gelişmesi gereken sadece teknolojinin değil, insanların da ilerlemesi. Toplumun “demir” dünyayı ve akıllı cihazlar ulusunu kabul etmeye hazır olması gerekiyor. Uyum süreci zaman alır. İnsanların robot polis memurlarına, doktorlara ve sürücülere güvenmeye başlaması için yapay zekalarının insan zekasına eşit olması gerekiyor. Aynı zamanda kusurlu bir insan mükemmel bir sistem yaratabilir mi? Neredeki çizgiyi takip edebilecek mi? yapay zeka– bir arkadaş, bir tehlike değil mi? Peki teknik bağımlılıktan kaçınabilecek mi?

Aynı zamanda altyapının “yapay” geleceğe hazır olup olmadığı sorusu da ortaya çıkıyor. Yeterli enerji kapasitesi var mı? Açıkçası iş için yapay zeka Nesnelerin İnterneti ve bulut sistemleri, kesintisiz güç kaynakları ve geniş bantlı küresel mobil ağ gerektirir.

Daha ayrıntılı olarak mevcut ve yeni nesillerin mobil iletişim alanındaki yenilikçi çözümlerin yanı sıra günümüzün ve geleceğin hizmetlerinin kitapta bulunabilir "

Yapay zeka (AI) uzun zamandır hayatımızın bir parçası. Rahatlamanıza, alışveriş yapmanıza, ders çalışmanıza ve çalışmanıza yardımcı olur. Makineler aynı zamanda pazarlamada da geniş kullanım alanı buldu.

Bu yazıda yapay zekanın pazarlamada nasıl çalıştığına dair örnekler göreceksiniz.

Web sitesi inşaatı

Izgara servisi robot asistanı Molly'yi sunar. Kısa sürede farklı platformlarda web siteleri geliştirmeye yardımcı olur.

Amaç ne? Molly, geliştiriciler veya mühendisler olmadan bir web sitesi oluşturur. Şirket, bir web sitesi için yılda 100 dolardan fazla para talep etmiyor. Katılıyorum, bu, geliştirme ekibinin yıllık maaşıyla karşılaştırıldığında hiçbir şey değil.

Ancak hâlâ insanların olmadığı hiçbir yer yok: görselleri, metinleri ve CTA'ları onlar seçiyor. Molly bu verileri alır ve bir web sitesi oluşturur.

Kısa bir videoda bunun nasıl olduğunu izleyin:

İçerik yaratımı

Metin yazarları yapay zekanın kendi alanlarına çok fazla nüfuz etmeyeceğinden emin olabilirler. Ancak makineler içerik alanında bazı şeyler yapabiliyor. Birçok büyük yayıncı ve medya, Wordsmith gibi araçları kullanır:

Makineler tıklanabilir içerik (haberler, otel açıklamaları, giyim ve ürünler) oluşturur ve raporlara yardımcı olur. Şablonlar kullanıyorlar, formları doğru kelimelerle ve anahtar kelimelerle dolduruyorlar ve neredeyse insan içeriğinden ayırt edilemeyecek başka benzersiz içerikler yaratıyorlar.

Yapay zeka elbette bu tür metinler için Pulitzer Ödülü almayacak ancak cümleler ve ifadeler oldukça okunaklı.

The Associated Press için bir beyzbol maçıyla ilgili haberler yapay zeka tarafından yazıldı:

En heyecan verici hikaye olmasa da mesaj açık: State College takımı Brooklyn Cyclones'u 9:8'lik skorla yendi.

Makine tarafından yazılan metin Hemingway uygulamasında düzenlenebilir:

Bu aynı zamanda yapay zekadır. Metnin suyunu sıkan basit bir uygulama.

Yerli analog Glavred servisidir.

Yeni bir diziye veya filme başlamak için kanepeden kalkmanıza gerek kalmaması iyi bir şey. Birçok medya şirketi yapay zekayı kullanıyor. Bir film bittiğinde, insanları rahatsız etmemek için makine otomatik olarak diğerini başlatıyor.

Yapay zeka, kullanıcı davranışını analiz eder ve içerik önerir. Bu, örneğin IBM Watson'ı şunları yapabilir:

Spor sosyal ağı UNDER ARMOR RECORD, uygulama kullanıcılarına yönelik mesajları özelleştirmek için Watson'ı kullanıyor ve San Francisco Modern Sanat Müzesi, AI Watson'ı temel alan bir sanat botu oluşturdu. Bot, müze ziyaretçileri ve sanatseverlerle iletişim kuruyor. Mesajı analiz eder ve resimleri gösterir:

“-Güneş geldi. - Robert Bechtle, Watsonville Olympia, 1977."

Sinir ağları ile yakından ilgilenen Yandex kullanıcılarını oldukça iyi tanıyor. Yandex.Müzik bizi daha iyi tanımanın yollarını şu şekilde arıyor:

Arama motorları

Kullanıcılar ne istiyor? Yapay zekayı bilir. Pazarlamacıların yaptığı içerik optimizasyonu bu bilgiye bağlıdır. Makineler aynı zamanda arama ve arama motorlarını da etkiler.

Örneğin sesli arama ve Google'ın RankBrain arama sonuçları sıralama sistemi geleceğin kapısını açtı. Verileri yorumluyor ve ilginizi çekebilecek konular hakkında önerilerde bulunuyor. Yapay zeka, bilmediğiniz kelimelerin anlamlarını bağımsız olarak tahmin etmeye çalışır.

Makineler (Amazon Echo, Google Home, Siri ve Microsoft'un Cortana'sı) hayatı ve keşfetmeyi kolaylaştırır. Sadece bir düğmeye basın veya bir kelime söyleyin; ihtiyaç duydukları bilgiyi bulacaklar. “Moskova’daki restoranlar” yerine “nerede yemek yiyebilirim?” demek yeterli. ve yapay zeka yolu gösterecek.

Arama parametreleri değişir, içerik değişir. Uzun sorgular kayboluyor, yerini kısa konuşma cümleleri alıyor. İçerik oluşturma ilkesi değişiyor. Daha önce anahtar kelimeler varsa, bugün vurgu konu kümeleri üzerindedir. Bir konu alınır ve onun etrafında çeşitli makalelerden içerik oluşturulur.

Pazarlama Otomasyonu

Markalar müşterilere gönderilen postaları özelleştirmek için yapay zekayı kullanıyor. Makineler, daha uygun teklifler sunmak için müşteri tercihlerini ve davranışlarını dikkate alır.

Boomtrain, içerikle müşteri etkileşiminin geçmişini analiz eder ve postalar oluşturur:

Çevrimiçi iç çamaşırı mağazası Adore me, Optimove ile çalışıyor:

Araç, daha sonraki etkileşim ve dönüşüm için müşteri listenizi segmentlere ayırmak amacıyla yapay zekayı kullanır. Makine, farklı gruplara farklı teklifler gönderiyor ve uygulamadaki kullanıcılarla etkileşime giriyor. Marka siyah renkte: gelir ve aktif müşteri sayısı arttı.

Yapay zeka, gerçekten önemli ve gerekli olan şeylere harcanabilecek çok fazla zaman tasarrufu sağlar.

Sosyal ağ

Resimli oyunlar

Fotoğraf filtreleri - onlarla saatlerce oynayabilirsiniz. Bunlar aynı zamanda sinir ağlarıdır. Sosyal ağ kullanıcılarının sıkılmaması ve fotoğraf filtreleriyle eğlenmesi için makineler insan yüzlerini tanımayı öğrendi.

Yapay zekanın yardımıyla markalar ve ünlüler potansiyel alıcılara yaklaşıyor.

Yapay zekanın bilimsel bir yön olarak tanımlanmasından bu yana (yirminci yüzyılın 50'li yıllarının ortasından bu yana) akıllı sistem geliştiricilerine verilen en önemli görev sınıfları arasında aşağıdakiler vurgulanmalıdır: yapay zeka alanları resmileştirilmesi zor sorunları çözen: teoremlerin kanıtı, görüntü tanıma, makine çevirisi ve insan konuşmasının anlaşılması, oyun programları, makine yaratıcılığı, uzman sistemler. Kısaca özlerini ele alalım.

Yapay zekanın yönleri

Teoremlerin kanıtı. Teorem kanıtlama tekniklerinin incelenmesi yapay zekanın gelişiminde önemli bir rol oynadı. Tıbbi teşhisler gibi pek çok resmi olmayan sorun, teorem kanıtlamayı otomatikleştirmek için kullanılan metodolojik yaklaşımlar kullanılarak çözülür. Bir matematik teoreminin kanıtını bulmak, yalnızca hipotezlerden çıkarım yapmayı değil, aynı zamanda ana teoremin genel kanıtı için hangi ara ifadelerin kanıtlanması gerektiğine dair sezgisel varsayımların yaratılmasını da gerektirir. Görüntü tanıma. Görüntü tanıma için yapay zekanın kullanılması, grafik nesnelerin benzer özelliklere dayalı olarak tanımlanmasına yönelik pratik olarak çalışan sistemlerin oluşturulmasını mümkün kılmıştır. Nesnelerin tanınacak her türlü özelliği özellik olarak değerlendirilebilir. Özellikler nesnelerin yönüne, boyutuna ve şekline göre değişmez olmalıdır. Özelliklerin alfabesi sistem geliştiricisi tarafından oluşturulur. Tanınma kalitesi büyük ölçüde özellikler alfabesinin ne kadar iyi geliştirildiğine bağlıdır. Tanıma, görüntüde seçilen ayrı bir nesne için bir özellik vektörünün önceden elde edilmesinden ve daha sonra bu vektörün özellik alfabesinin standartlarından hangisine karşılık geldiğinin belirlenmesinden oluşur. Makine çevirisi ve insan konuşmasını anlama. İnsan konuşmasındaki cümleleri sözlük kullanarak analiz etme görevi, yapay zeka sistemlerinin tipik bir görevidir. Bu sorunu çözmek için farklı dillerdeki ifadelerin karşılaştırılmasını kolaylaştıran bir aracı dil oluşturuldu. Daha sonra bu aracı dil, çevrilecek metinlerin anlamlarını temsil eden bir anlamsal modele dönüştü. Anlamsal modelin evrimi, bilginin içsel temsili için bir dilin yaratılmasına yol açtı. Sonuç olarak, modern sistemler metinleri ve cümleleri dört ana aşamada analiz eder: morfolojik analiz, sözdizimsel, anlamsal ve pragmatik analiz. Oyun programları. Çoğu oyun programı, yineleme ve kendi kendine öğrenme gibi yapay zekanın birkaç temel fikrine dayanmaktadır. Yapay zeka yöntemlerini kullanan oyun programları alanında karşılaşılan en ilginç sorunlardan biri bilgisayara satranç oynamayı öğretmektir. 50'li yılların sonlarında, bilişimin ilk günlerinde kuruldu. Satrançta, sistemin entelektüel gelişimini değerlendirmek için net kriterler sağlayabilen belirli beceri seviyeleri ve oyun kalitesi dereceleri vardır. Bu nedenle bilgisayar satrancı dünyanın her yerinden bilim adamları tarafından aktif olarak inceleniyor ve başarılarının sonuçları gerçek pratik öneme sahip diğer entelektüel gelişmelerde kullanılıyor. 1974 yılında, satranç programları arasında dünya şampiyonası ilk kez Stockholm'de düzenlenen IFIP (Uluslararası Bilgi İşleme Federasyonu) kongresinin bir parçası olarak düzenlendi. Bu yarışmanın galibi “Kaissa” satranç programı oldu. Moskova'da, SSCB Bilimler Akademisi Yönetim Sorunları Enstitüsü'nde oluşturuldu. Makine yaratıcılığı. Yapay zekanın uygulama alanlarından biri de bağımsız olarak müzik, şiir, öykü, makale, diploma ve hatta tez oluşturabilen yazılım sistemleridir. Bugün bir dizi müzik programlama dili var (örneğin, C-Sound dili). Çeşitli müzik görevleri için özel yazılımlar oluşturuldu: ses işleme sistemleri, ses sentezi, etkileşimli kompozisyon sistemleri, algoritmik kompozisyon programları. Uzman sistemler. Yapay zeka yöntemleri, otomatik danışmanlık sistemleri veya uzman sistemlerin oluşturulmasında uygulama alanı bulmuştur. İlk uzman sistemler 1960'larda araştırma aracı olarak geliştirildi. Hastalıkların tıbbi teşhisi gibi dar bir konu alanındaki karmaşık sorunları çözmek için özel olarak tasarlanmış yapay zeka sistemleriydi. Bu yönün klasik hedefi başlangıçta, konu alanında özel bilgi gerektirmeden herhangi bir sorunu çözebilecek genel amaçlı bir yapay zeka sistemi yaratmaktı. Sınırlı bilgi işlem kaynakları nedeniyle, bu sorunun kabul edilebilir bir sonuçla çözülemeyecek kadar karmaşık olduğu ortaya çıktı. Uzman sistemlerin ticari uygulaması 1980'li yılların başında ortaya çıkmış ve o zamandan bu yana uzman sistemler yaygınlaşmıştır. İşletme, bilim, teknoloji, üretim ve iyi tanımlanmış bir konu alanının olduğu diğer birçok alanda kullanılırlar. “İyi tanımlanmış” ifadesinin temel anlamı, bir insan uzmanının, belirli bir konu alanındaki herhangi bir problemin çözülebileceği akıl yürütme aşamalarını belirleyebilmesidir. Bu, benzer eylemlerin bir bilgisayar programı tarafından gerçekleştirilebileceği anlamına gelir. Artık şunu rahatlıkla söyleyebiliriz ki yapay zeka sistemlerinin kullanımı geniş sınırlar açar. Günümüzde yapay zeka teknolojisinin en başarılı uygulamalarından biri uzman sistemlerdir. Bu nedenle, kendinizi tanımanızı öneririz.

Moskova Devlet Üniversitesi Fizik Fakültesi'nin önde gelen araştırmacısı, Fiziksel ve Matematik Bilimleri Doktoru Profesör Igor Baskin ile röportaj.

Sinir ağlarının bir maddenin yapısı ile fiziksel ve kimyasal özellikleri arasında ilişki kurmayı öğrenmesindeki en büyük zorluk nedir?

Kimyasal maddelerin yapısı ve özellikleri arasındaki ilişkileri bulmak için diğer tüm makine öğrenimi yöntemleri gibi sinir ağlarını kullanmanın en büyük zorluğu ve temel özelliği, bu durumda, katı kurallarla kontrol edilen son derece karmaşık ve bazen bilinmeyen organizasyonuyla gerçek doğayı modellemek zorunda olmalarıdır. , ancak uygulama yasalarında her zaman geçerli değildir.

Bu, görüntü tanıma gibi sinir ağları kullanılarak çözülen standart sorunlardan temel bir farktır. Aslında 8 sayısının birbirine dokunan iki daire şeklinde tasvir edilmesi herhangi bir doğa kanununun sonucu değildir; sadece insanlar arasındaki anlaşmaların bir konusudur. Ancak Romalılar bir zamanlar VIII ile aynı sayıyı tasvir etmenin kendileri için daha iyi olduğuna karar verdiler. Bu tür anlaşmalar kolaylık sağlamak amacıyla yapıldığı için şekli, kişinin kafasındaki doğal sinir ağlarının bilinçaltı düzeyde kolayca tanıyabileceği şekilde seçilmektedir.

Dolayısıyla insan kafasındaki bilgi işlemenin belirli yönlerini bir dereceye kadar taklit eden yapay sinir ağları da bana öyle geliyor ki bunlarla da kolaylıkla başa çıkabiliyor.

Şimdi kimyasallara geçelim. Aspirinin antiinflamatuar etkiye sahip olması, asetilsalisilik asit moleküllerinin, ilaç ve enzim moleküllerinin uzaysal formlarının tamamlayıcılığı ve sistemde etkili olan birçok kuvvetin uygun dengesi nedeniyle siklooksijenaz enzimini inhibe etme kabiliyetinden kaynaklanmaktadır. .

Kimyasalların yapılarına bağlı olarak özelliklerini tahmin etme görevi, örneğin görüntü tanıma probleminden farklı olarak, evrim sürecinde daha önce hiç karşılaşılmamıştır ve bu nedenle beynimizdeki doğal sinir ağları, bunu aynı yöntemle çözemez. bilinçaltı düzeyde rahatlık.

Gerçekten de, herhangi bir çocuk (ve hatta bazı hayvanlar) bir resimdeki bir kediyi bir köpekten kolayca ayırt edebilir, ancak bir düzine Nobel ödüllü bile, kimyasal bir bileşiğin formülüne bakarak, onun tüm özelliklerini hemen doğru bir şekilde tahmin etmesi pek mümkün değildir. .

Bu, farklı düzeyde karmaşıklığa sahip bir görevdir. Bunu çözerken, büyük bir problem, genellikle hiç karmaşık bir şey olarak algılanmayan bir şeydir, örneğin analiz edilen nesnenin bir sinir ağına nasıl temsil edileceği. Örneğin görüntü işlemede doğal bir temsil, bir dizi piksel yoğunluğudur.

Ancak bir sinir ağı için maddenin yapısının en iyi şekilde nasıl temsil edileceği zaten başlı başına bir sorundur ve bu kadar basit çözümleri yoktur. Bu sorunu çözmek için kullanılan sözde sistemler şunlardır: moleküler tanımlayıcılar, yani Maddenin yapısını bir dizi sayı kullanarak tanımlamayı mümkün kılan özel hesaplama prosedürlerinin birçok dezavantajı vardır. Kimyasal maddelere ilişkin bilgilerin en iyi şekilde nasıl temsil edileceği ve işleneceği, son yıllarda çok yoğun bir şekilde gelişen bir bilim olan kemoinformatiğin konusudur.

Kemoinformatik alanında biriken bilimsel bilgiye dayanmadan, bir maddenin yapısı ile özellikleri arasında bir bağlantı kurmak için sinir ağlarını kullanmaya yönelik herhangi bir girişim, saf sayılarla oynanan bir oyuna dönüşür ve pratik olarak önemli sonuçlara yol açmaz. Bu muhtemelen sinir ağlarını bu amaç için kullanmanın temel zorluğudur.

Sentetik kimyada yapay zekanın karşılaştığı 10 temel zorluk nelerdir?

1. Belirli bir kimyasal bileşiği mevcut reaktiflerden nasıl sentezleyebilirim?
2. Belirli bir aktiviteye sahip bir kimyasal bileşik nasıl sentezlenir?
3. Belirli bir biyolojik aktivite türüne odaklanan kimyasal bileşiklerin kombinatoryal kütüphanesi neye benzer ve nasıl sentezlenir?
4. Verilen kimyasal bileşikleri verilen şartlarda karıştırırsanız reaksiyon sonucu ne olur?
5. Verilen reaksiyon hangi koşullar altında gerçekleştirilmelidir? Bu tür koşullar (sıcaklık, solvent, katalizör, katkı maddeleri) nasıl optimize edilir?
6. Verilen reaksiyonun olası mekanizması nedir?
7. Belirli bir reaksiyonun verimi nasıl artırılır?
8. Olası kimyasal reaksiyonları listeleyin
9. Belirli bir bileşiğin sentetik kullanılabilirliğinin (sentez kolaylığı) değerlendirilmesi.
10. Basit reaksiyonların kinetik ve termodinamik özelliklerini ve karmaşık reaksiyonların verimini tahmin edin.

Olası tüm kimyasal reaksiyonları hesaplamanın görevi nedir?

Belki de yukarıdaki iki görevin birleşimidir: (8) olası kimyasal reaksiyonların listelenmesi ve (10) bunların kinetik ve termodinamik özellikleri ile verimlerinin tahmin edilmesi.

Kemoinformatikte maddenin yapısını anlamanın en iyi yolu nedir? Çok boyutlu matrisler var mı? Tüm yapıyı ne kadar tam olarak tanımlıyorlar? Doldurulması gereken boşluklar var mı?

Bu sorunun basit ve net bir cevabı yok. Her şey, hangi tür maddelerden bahsettiğimize ve bunların hangi koşullar altında ve hangi toplanma durumlarında dikkate alındığına bağlıdır. Ek olarak, belirli bir temsil türünün seçimi, yapıldığı amaca bağlıdır - bir maddenin kesin olarak tanımlanması, bir veritabanında saklanması, herhangi bir model oluşturulması, programlar arasında bilgi aktarımı için.

Keminformatikte, tipik olarak tüm bu amaçlar için farklı gösterimler kullanılır. En basit durum, doymuş hidrokarbonlardır; yalnızca karbon ve hidrojen atomlarından oluşan ve çoklu bağ içermeyen organik bileşiklerdir. Bunları temsil etmek için, köşelerin karbon atomlarına ve kenarların aralarındaki bağlara karşılık geldiği grafiklerin kullanılması uygundur. Grafik teorisinin temellerinin oluşturulması ve geliştirilmesi için bir teşvik görevi gören şeyin organik bileşiklerdeki çeşitli izomerlerin varlığını açıklama sorunu ve izomerleri numaralandırma sorunu - kombinatoryal grup teorisi olduğunu belirtmek ilginçtir. Ayrık matematiğin bu dallarının her ikisi de daha sonra bilimsel bilginin hemen hemen tüm alanlarında çok geniş bir uygulama alanı buldu.

Bir sonraki karmaşıklık düzeyi, keyfi düşük moleküllü organik bileşiklerdir. Bunlar, örneğin çoğu ilacın moleküllerinin yanı sıra bunların sentezi için başlangıç ​​​​reaktifleri ve ara maddelerdir. Bunları tanımlamak için grafikleri kullanmak da uygundur, ancak bu sefer etiketli köşeler ve kenarlar vardır. Bu durumda köşe etiketleri kimyasal elementlerin gösterimleridir ve kenar etiketleri ise bağ emirleridir.

Bilgisayarın RAM'indeki moleküllerin dahili temsili için bu durumda grafik bağlantı matrislerini kullanmak mümkündür, ancak gerçekte atom ve bağ tabloları dahil karmaşık veri yapıları daha sık kullanılır.

Veritabanlarındaki yapıların aranmasını etkili bir şekilde organize etmek ve bunları birbirleriyle karşılaştırmak için gösterimler arasında en popüler olanı "moleküler parmak izleri" (parmak izleri) adı verilen özel bit dizileridir.

Bileşiklerin yapılarını özelliklerine bağlayan modeller oluşturmak için kemoinformatikte "moleküler tanımlayıcılar" olarak adlandırılan özellik vektörleri temsil olarak kullanılır. Çok çeşitli (binlerce!) farklı türde moleküler tanımlayıcı vardır.

Programlar arasında bilgi alışverişi ve kimyasal yapıların “harici” temsili için SMILES adı verilen metin dizeleri şu anda en popüler olanıdır. Organik bileşikleri temsil etme görevi, elektrolitik ayrışma, mezomerizm ve tautomerizm gibi tamamen kimyasal olaylar nedeniyle karmaşık hale gelir; bunun sonucunda bir organik madde, bir dizi farklı grafikle tanımlanabilir ve bu nedenle, bunlardan birkaç temsile sahip olabilir. “kanonik” gösterim genellikle tanımlama amacıyla seçilir.

Grafik düzeyinde yapılması her zaman mümkün olmayan ve sıklıkla hipergraf gösteriminin unsurlarını gerektiren geometrik ve uzaysal izomerizmi (stereoizomerizm) hesaba katmak gerekirse, görev daha da karmaşık hale gelir. Ayrıca, modelleme amacıyla, birçok uzaysal formda (konformer) esnek moleküllerin varlığının hesaba katılması gerekir. Makine öğrenimi için kimyasal temsilleri seçerken tüm bu koşullar dikkate alınmalıdır.

Daha sonraki karmaşıklık düzeylerinde, örneğin supramoleküler komplekslere, sentetik polimerlere ve katı hal malzemelerine geçerken, bir maddenin yapısı için en uygun temsili bulma görevi daha da karmaşık hale gelir ve tatmin edici bir çözüm önerilmemiştir. bugüne kadar.

Polimer ve kristal bilişimindeki mevcut yaklaşımlar esas olarak modellemeye ve yalnızca en basit durumlara odaklanmıştır ve henüz supramoleküler kimya için bilişim oluşturma yönünde herhangi bir girişimde bulunulmamıştır. Dolayısıyla burada boşluklardan değil, büyük bir terra incognito içindeki keşfedilen küçük alanlardan bahsetmemiz gerekiyor.

Kimyasal maddeleri bilgisayarda temsil etme yöntemleriyle ilgilenenler için monografimizi tavsiye ederim: T.I. Majidov, I.I. Baskin, I.S. Warnek “Kemoenformatiğe giriş. Kimyasal yapıların bilgisayarla gösterimi." Kazan: Kazan. univ., 2013, ISBN 978-5-00019-131-6.

Bu yıl sentetik kimyada hangi büyük gelişmeler yaşandı?

Sentetik organik kimya neredeyse 200 yıllıktır ve temel bir bilim olarak gelişiminin ana zirvesi, temel yasalarının formüle edildiği ve herhangi bir karmaşıklık düzeyindeki maddeleri sentezlemenin gerçek olasılığının gösterildiği geçen yüzyılın ikinci yarısında meydana geldi. .

Günümüzde, esas görevi gerekli özelliklere sahip maddeleri elde etmenin en uygun yollarını bulmak olan, hali hazırda kurulmuş bir uygulamalı disiplin olarak sentetik kimya hakkında giderek daha fazla konuşulmaktadır. Sonuç olarak, uzun süredir her biri sürekli ilerici bir gelişme gösteren birçok alana (örneğin tıbbi kimya, petrokimya, kataliz, çeşitli malzeme türlerinin kimyası) bölünmüştür.

Benim için en büyük ilgi, bilgisayar kontrolü altında çalışan özel robotlar kullanarak maddelerin sentez sürecini otomatikleştirmeyi amaçlayan yeni bir bilimsel ve uygulamalı disiplin olan robotik kimya alanındaki son yıllardaki çalışmalara yöneliktir.

Özellikle son yıllarda, bilgisayar çiplerine entegre edilmiş minyatür kimyasal reaktörlerin yaratılmasındaki başarıları not etmek isterim; bu, sentezlenen maddelerin tam anlamıyla kontrol altında bir bilgisayarın içinde sentezini, izolasyonunu, analizini ve hatta biyolojik testini gerçekleştirmeyi mümkün kılar. yapay zeka.

Sentetik kimyada makine öğreniminin ilerlemeleri nelerdir? Nerede duruyoruz?

Tarihsel bağlamı açıklayarak başlayacağım. "Yapay zeka" teriminin 1950'lerde ortaya atılmasından bu yana, kimya (ve özellikle sentetik organik kimya), tıbbi teşhisin yanı sıra gelecekteki uygulama alanlarının ana alanlarından biri olarak kabul edildi. Geriye kalan görevlerin çoğu çok daha sonra belirlendi.

Gelişiminin ilk aşamasında asıl vurgu sözde kullanımıydı. Uzman kimyagerler tarafından formüle edilen, bilgi tabanlarında saklanan kurallara ve mantıksal bir çıkarım mekanizmasına dayanan uzman sistemler.

Sentetik kimya alanında ilk başarılı uzman sistem, 1970'li yılların başında Nobel kimya ödülü sahibi Elias Corey'nin öncülüğünde geliştirilen LHASA programıydı. LHASA'nın bir zamanlar hem sentetik organik kimya hem de yapay zeka alanında bir devrim yaptığı ve uzun yıllar boyunca bilgisayarlı sentetik kimyanın gelişiminin ana yönlerini belirlediği söylenebilir. Öyle oldu ki, 80'li yıllarda yapay zekanın yeteneklerinin çok yaklaştığı ve deneyimli sentetik kimyagerlerin yeteneklerine neredeyse eşit olduğu alan sentetik kimya oldu. Bu, 70'li ve 80'li yıllarda yapay zeka uzmanları arasında sentetik kimyanın popülaritesini belirledi.

Ancak yapay zekanın sentetik kimya alanında elde ettiği büyük başarılara rağmen 90'lı yıllara gelindiğinde bu yönün popülaritesi keskin bir şekilde azaldı ve hatta neredeyse sıfıra indi.

Halen uzmanlar arasında tartışılan paradoksal bir şey oldu. Bilgisayarın sentezi planlama yeteneği sentetik kimyagerlerin yeteneklerine yaklaşmış olsa da, sentezi gerçekleştirmek için sentetik kimyagerlere hala ihtiyaç vardır ve bu konuda hiçbir bilgisayar onların yerini alamaz. Sonuç olarak bilgisayar programı, onsuz yapabileceğiniz ve para harcamaya değmeyen pahalı bir "oyuncak" olarak algılanmaya başlandı. Bu, kurala dayalı uzman sistemlerin temel eksikliklerinin netleştiği yapay zeka alanında "kışın" başlangıcına denk geldi: bilginin yalnızca küçük bir kısmı uzmanlar tarafından açık kurallar biçiminde temsil edilebilir ve formüle edilebilir, ve bu nedenle uzmanlar tarafından yalnızca sezgi düzeyinde algılanan büyük bir kısmının uzman sistemler çerçevesinde kullanılmadığı ortaya çıkıyor.

Bu, bir zamanlar iddialı olan Japon beşinci nesil bilgisayar programının çöküşüne kabaca yol açan şeydi.

Sentez planlamada makine öğreniminin kullanımına ilişkin ilk çalışma, 80'li yılların sonlarında ve 90'lı yılların başlarında, bilgisayara bağımsız olarak (insan uzmanların yardımı olmadan) öğrenmeyi öğreterek, kural tabanlı uzman sistemlerin yukarıda belirtilen eksikliğinin üstesinden gelme girişimi olarak ortaya çıktı. Daha sonra literatürde yayınlanan kimyasal reaksiyonlarla ilgili bilgilerin yer aldığı Veritabanlarından kimyasal bileşiklerin reaktivitesine ilişkin bilgiler çıkarılmaya başlandı.

İlk başta bu bilgi, mevcut uzman sistemlerde yer alan bilgi tabanlarını yenilemeyi amaçlayan kurallar şeklini aldı ve daha sonra yapay bir kimyagerin sezgisini simüle ederek sinir ağlarının kullanılmaya başlandığı "bulanık" kurallar çıkarılmaya başlandı. 90'ların başı. Şu anda bile, yeni nesil uzman sistemler çerçevesinde daha sonra kullanılmak üzere yayınlanmış reaksiyonların veritabanlarından reaktivite hakkındaki bilgileri otomatik olarak çıkarma görevinin, sentetik kimyada makine öğreniminin merkezi bir uygulama alanı olduğu söylenmelidir.

Artık bir diğer önemli yön, bir maddenin yapısı ile özellikleri arasında bir bağlantı kurmak için makine öğreniminin kullanılmasıdır; bu, oluşturulan modellere göre istenen özellikler kümesiyle karakterize edilmesi gereken maddelerin sentezine olanak tanır.

Otomatik veri çıkarmanın ilk örneklerinde düzinelerce reaksiyondan oluşan veritabanları kullanıldı, ardından binlerce, onbinlerce reaksiyon takip edildi ve şu anda dünya çapında gerçekleştirilen tüm reaksiyonları kapsayan milyonlarca ve on milyonlarca reaksiyonla ilgili çalışmalar zaten devam ediyor. Sentetik kimyanın varlığının 200 yılı. Nicelikten niteliğe geçiş yaşanmış ve dünya “büyük veri” çağına girmiştir. 90'lı yılların başından bu yana, özellikle GPU grafik kartlarının ortaya çıkmasıyla birlikte bilgisayar gücü birkaç kat arttı.

Son yıllarda, büyük miktarda veriden çok karmaşık kalıplara dayalı bilgilerin çıkarılmasına olanak tanıyan “derin öğrenme” metodolojisi de kullanıma sunuldu. Bütün bunlar son yıllarda sentetik kimyada yapay ilginin kullanımına olan ilginin patlamasına yol açtı. Son iki yılda, önceki 20 yılın toplamından daha önemli ve ilginç makaleler yayımlandı. Böylece “kış” sona erdi ve hemen “bahar” olmadan yerini çok “sıcak bir yaz” aldı. Günümüzde biriken muazzam miktarda bilgi nedeniyle, bir kişinin, hatta çok deneyimli bir sentetik kimyacının bile bir sentez planlamada yapay zeka ile rekabet etmesi çok zor hale geliyor.

Bu konuyu daha ayrıntılı olarak anlamak isteyenler için yeni yayınlanan monografimizi tavsiye ederim: I.I. Baskin, T.I. Majidov, A.A. Varnek “Kemoinformatiğe Giriş. Bölüm 5. Kimyasal reaksiyonların bilişimi.” Kazan: Kazan. univ., 2017, ISBN 978-5-00019-907-7.

Olası kimyasal reaksiyonları listelemeye ne kadar yakınız? Bilim 90 milyon reaksiyonu biliyor mu? Bilinmeyenlerin sırası nedir?

Yalnızca farklı ve açıkça farklı olan şeyleri, örneğin farklı grafiklerle açıklanan düşük moleküler ağırlıklı organik bileşikleri listeleyebilirsiniz. Tepkiler durumunda, numaralandırma probleminin formülasyonu çok açık değildir. Örneğin etil asetat ile metil asetatın hidroliz reaksiyonları farklı reaksiyonlar mı yoksa aynı reaksiyonun iki örneği mi?

Etil asetatın alkali ve asidik ortamda hidrolizi - bunlar farklı reaksiyonlar mı yoksa aynı reaksiyon farklı koşullar altında mı gerçekleştiriliyor? Bu nedenle, reaksiyonların sıralanması, yalnızca neyin bir reaksiyon olarak kabul edildiğini ve neyin farklı olarak kabul edildiğini belirleyen spesifik bir reaksiyon sınıflandırma şeması çerçevesinde anlamlıdır.

Organik reaksiyonlar için hepsi çok seviyeli hiyerarşik yapıya sahip birçok farklı sınıflandırma şeması vardır. Farklı bileşiklerin oluşumuna yönelik reaksiyonların farklı reaksiyonlar olarak kabul edildiği en düşük (detaylı) seviyede, reaksiyonların sayısı, en ihtiyatlı tahminlere göre bile kimyasal bileşiklerin ve düşük moleküllü bileşiklerin sayısından az olamaz. 10 üssü 60'tır, yani tüm Evrendeki temel parçacıklardan önemli ölçüde daha fazladır. En yüksek (soyut) düzeyde bunlardan çok azı olabilir. Örneğin, organik reaksiyonların çoğu temel aşaması yalnızca birkaç genel bağ yeniden dağıtım şemasıyla tanımlanır. Her şey, reaksiyonların sıralanması kavramıyla ne kastettiğimize bağlıdır.

Lütfen görevi daha ayrıntılı olarak açıklayın: "Neye benzeyecek ve belirli bir biyolojik aktivite türüne odaklanan kimyasal bileşiklerin kombinatoryal kütüphanesi nasıl sentezlenecek?"

Belirli bir sınıftaki bazı bileşiklerin (örneğin ikame edilmiş pirazoller) istenen türde biyolojik aktivite sergilediğini bilindiğini varsayalım. Amaç, ticari olarak temin edilebilen maddelerden oluşan bir katalogdan çeşitli öncüleri (sentez için başlangıç ​​reaktifleri) birleştirerek aynı sınıfın diğer üyelerini tek adımda yüksek verimle sentezlemektir.

Bu şekilde sentezlenen bir dizi kimyasal bileşik (kütüphane), gelişmiş özelliklere sahip bileşikleri iyi bir şekilde tanımlayabilen biyolojik testlere sunulabilir. Bu, yeni ilaçların geliştirilmesi sırasında "öncü optimizasyon" aşamasında sıklıkla ortaya çıkan gerçek bir sorundur.

Bu durumda, bir bilgisayar programı, seçilen bir sınıfın bileşiklerini birkaç öncülden tek aşamada sentezlemek için bir yöntem önermeli, katalogda uygun öncülleri bulmalı ve bunların her kombinasyonu için yüksek verimde meydana gelen bir sentez reaksiyonu olasılığını değerlendirmelidir. . Örneğin, WODCA bilgisayar sisteminin modüllerinden biri bu tür sorunları çözmeyi amaçlamaktadır (W.-D. Ihlenfeldt, J. Gasteiger, Angew. Chem., Int. Ed. Engl., 1995, 40, 993-1007). .

Sentetik kimyada yapay zeka kullanımında dünyada hangi bilimsel gruplar liderdir? Başarıları neler?

Zaten bu tür birçok grup var. Şu anda bu yönde aktif olarak çalışan birkaç grubu seçerek listeleyeceğim.

1. J. Gasteiger (Erlangen, Almanya), kemoinformatiğin bir bilim olarak oluşumuna büyük katkı sağlayan, kimyada sinir ağlarının kullanımında öncü olan kemoinformatiğin “babalarından” biridir. Onun liderliğinde organik sentezi planlamak için çeşitli bilgisayar sistemleri geliştirildi: EROS, WODCA. Sentetik kimyada yapay zekanın kullanımı açısından, kimyasal reaksiyonların haritasını çıkarmak ve organik bileşiklerin reaktivitesi hakkında bilgi çıkarmak için kendi kendini organize eden Kohonen sinir ağlarının kullanımına ilişkin çalışması özellikle ilgi çekicidir.

2. G. Schneider (Zürih, İsviçre). Sentetik kimyada yapay zeka kullanımı açısından bakıldığında, DOGS programında uygulanan yaklaşım büyük ilgi çekmektedir; belirli bir biyolojik olarak aktif bileşiğin, analoglarının yapılarını ve bunların sentez yollarını bir dizi kolay yöntem kullanarak bulmasına izin vermektedir. uygulanabilir organik reaksiyonlar ve sentez için mevcut reaktiflerin bir kataloğu. Özellikle ilgi çekici olan, makine öğrenme yöntemlerine dayalı yazılım tarafından kontrol edilen çipler kullanılarak mikro akışlı sentez teknolojisini kullanarak kurşun bileşiklerinin (ilaç geliştirmede) otomatik optimizasyonu için tasarlanan, kendi grubunda geliştirilen ALOE platformudur.

3. K. Funatsu (Tokyo, Japonya). Onun liderliğinde, organik sentezi planlamak için bir reaksiyon veri tabanından otomatik olarak çıkarılan kurallara dayanan bir uzman sistem olan KOSP geliştirildi. Kimyasal reaksiyonların ürünlerini tahmin etmeye yönelik SOPHIA sistemi aynı kurallara dayanmaktadır.

4. B. A. Grzybowski, Evanston (Illinois), ABD ve Varşova, Polonya. Ana ürün Chematica'dır. 10 milyon kimyasal bileşiği ve bunları köşe olarak bağlayan 10 milyon reaksiyonu içeren bir “bilgi grafiği” olan “organik kimya ağına” dayanan bir sentez planlayıcısı ve optimize edicidir.

5. P. Baldi (Irvine (California), ABD). İlginç gelişmeler: Reaction Explorer (organik kimyasal reaksiyonların ürünlerini tahmin etmek için kural tabanlı bir uzman sistem) ve Reaction Predictor (reaksiyon ürünlerini mekanizmalarını dikkate alarak tahmin etmek için tasarlanmış bir sinir ağı sistemi)

6. W. Green ve K. Jensen (W.H. Green, K.F. Jensen, Cambridge (Massachusetts), ABD) Reaksiyon kurallarının kullanımını derin öğrenmeyi kullanan sinir ağı modellemesi ile birleştirerek, organik bileşiklerin reaksiyon ürünlerini tahmin etmek için evrensel bir sistem geliştirildi. .

7. M. P. Waller (M. P. Waller, Münster, Almanya ve Şangay, Çin) Organik sentezi planlamak ve organik bileşiklerin reaksiyon ürünlerini tahmin etmek için "nörosimgesel" yaklaşıma dayanan evrensel bir sistem, otomatik olarak ekstrakte edilen reaksiyonun kullanımını birleştirerek geliştirilmiştir. Derin öğrenmeyi kullanan sinir ağı modellemesi ile kurallar.

8. A. Varnek (Strasbourg, Fransa) Kemoinformatik alanındaki en aktif gruplardan biri. Reaksiyon veritabanlarındaki benzerlikleri aramayı, makine öğrenimi algoritmalarını reaksiyon verilerine uygulamayı, sentez için en uygun koşulları tahmin etmeyi ve reaksiyonların kimyasal alanının haritalarını oluşturmayı mümkün kılan "yoğunlaştırılmış reaksiyon grafiği" kavramı geliştirildi.

9.T.M. Majidov (Kazan, Rusya Federasyonu) Şu anda, Rusya Federasyonu'nda organik kimyada sentetik reaksiyonların bilişimi alanında araştırma yapan aktif olarak çalışan tek gruptur. Bu çerçevede, kimyasal reaksiyonların kinetik ve termodinamik özellikleri tahmin edilmiş, organik sentezde grupların korunmasına yönelik uzman bir sistem oluşturulmuş ve kimyasal reaksiyon uzayları haritalandırılmıştır. Çalışmaların çoğu Strazburg Üniversitesi Kemoenformatik Laboratuvarı (A. Warneck) ile yakın işbirliği içinde yürütülmektedir.

Geçtiğimiz on yıl boyunca, maddelerin kristal yapılarını tahmin etme alanında ilerleme aktif olarak tartışıldı; bu, uzun süre neredeyse umutsuz kabul edilen bir yöndü. Oganov-Glass USPEX evrimsel algoritmasını kullanarak, daha önce kimyagerlerin gözden kaçırdığı birçok yeni kararlı kimyasal bileşiği keşfetmek mümkün oldu. Karmaşık organik moleküllerin sentezi alanında evrimsel yaklaşımın beklentileri nelerdir? Sizce önümüzdeki on yılda bu yönde başarı beklemeli miyiz?

Evrimsel yaklaşım (temel olarak genetik algoritma), keminformatikte 25 yılı aşkın bir süredir aktif olarak kullanılmaktadır ve geleneksel bir stokastik optimizasyon yöntemi olarak kabul edilmektedir. Moleküler yerleştirme için bilinen algoritmaların çoğu buna dayanmaktadır - bir organik bileşik molekülünün (örneğin, potansiyel bir ilaç) bir "biyolojik hedefin" (genellikle bir protein) boşluğuna "yerleştirilmesi" işlemi.

Genetik algoritmalar ayrıca, kimyasal maddelerin özelliklerini tahmin etmek için modeller oluştururken tanımlayıcıları seçmek ve makine öğrenme yöntemlerinin parametrelerinin optimum değerlerini aramak için de sıklıkla kullanılır. Ayrıca kimyasal ve reaksiyon uzaylarını haritalamak için sıklıkla genetik algoritmaları kullanırız.

Ancak sentez planlama problemini doğrudan çözmek için genellikle genetik algoritma kullanılmaz. Görünüşe göre Monte Carlo yönteminin çeşitli modifikasyonları bu görev için daha etkilidir. Önümüzdeki on yılda hesaplama açısından daha verimli stokastik optimizasyon yöntemlerinin ortaya çıkmasını bekliyorum.

Ayrıca son yıllarda, makine öğrenimi alanında, denetimsiz öğrenme tekniklerinin geliştirilmesine yönelik gözle görülür bir eğilim olmuştur - dizileri insanların katılımıyla işaretleme maliyetinin yaklaşık olarak sabit kalması nedeniyle çok çekici bir yön ve bilgi işlem gücü sürekli artıyor ve ucuzlıyor. Otomatik kodlayıcıların ortaya çıkışı, gömme tekniklerinin ortaya çıkmasının yolunu açtı; Yoshua Benyo ve Thomas Mikolov'un çalışmaları, anlamsal vektör uzaylarının (word2vec, GloVe teknolojileri, vb.) yaratılması yoluyla sinir ağları tarafından doğal dilin işlenmesinde devrim yarattı. Bu yaklaşımın uygulanması oldukça umut verici görünüyor ve biyoinformatik alanında - DNA nükleotid dizileri, epigenom, transkriptom - metinler yapıları itibarıyla oldukça anlaşılırdır. Bu teknolojilerin biyoinformatikte uygulanmasında herhangi bir ilerleme var mı? Biyolojik veri analizi alanında önemli ilerleme kaydedilmesini umut ediyor musunuz?

Ben kemoinformatik alanında çalıştığım için biyoinformatik hakkında hiçbir şey söylemeyeceğim ve bu aynı şey değil. Anlamsal vektör uzaylarının oluşturulmasına yol açan LSTM tipi tekrarlayan sinir ağlarını kullanan metin işleme algoritmalarının kullanımına gelince, bunlar kemoinformatikte çok yoğun bir şekilde kullanılmaktadır. Üstelik kemoenformatik için biyoinformatikten daha uygundurlar.

Gerçek şu ki, kimyasal yapının dize olarak yazılması da kolaydır - bu amaçla SMILES kodlaması kullanılır. Bu durumda, ortaya çıkan gizli alan, yapı-özellik modellerinin oluşturulmasında kullanılacak kimyasal bileşik numunelerinin temsil edilmesi için çok uygundur. Üstelik bu şekilde eğitilen tekrarlayan sinir ağları üretim modunda başlatıldığında yeni kimyasal bileşiklerin yapıları oluşuyor. Bu, örneğin yeni ilaç moleküllerinin tasarlanması sorununun çözülmesine olanak tanır.

Otomatik kodlayıcılara gelince, 2011 yılında, onlara dayanarak, yeni ilaçların geliştirilmesi için umut verici molekülleri aramak amacıyla kimyasal bileşik kütüphanelerinin (veritabanlarının) sanal olarak taranmasına yönelik yeni bir yöntem geliştirdik ve yayınladık.

Denetimsiz öğrenme yöntemlerine gelince, bunlar keminformatikte 30 yılı aşkın süredir yoğun bir şekilde kullanılmaktadır. 80'li yıllarda ve 90'lı yılların başında, en popüler olanı klasik (geçen yüzyılın 30'lu yıllarında geliştirildi!) doğrusal temel bileşen yöntemi (PCA) idi; 90'lı yılların ortasından 2000'li yılların sonuna kadar popülerlikte şüphesiz lider. Kemoenformatik alanında, kendi kendini organize eden Kohonen sinir ağları mevcuttu; son yıllarda ise Bayes öğrenimi temelinde inşa edilen Kohonen ağlarının olasılıksal bir analoğu, kemoinformatik - üretken topografik haritalama (GTM - Üretken Topografik Haritalama) alanında giderek daha popüler hale geldi. ). İkinci yöntemin çeşitleri, organik sentez reaksiyonları da dahil olmak üzere, kimyasal nesnelerin geniş veritabanlarıyla çalışmak için çok uygundur. Diğer denetimsiz öğrenme yöntemlerinin yanı sıra, keminformatik alanındaki çeşitli problemleri çözmek için destek vektör makinelerinin (1-SVM) tek sınıf bir varyantını ve ayrıca simetrik bağlantılara sahip özel bir "enerji tabanlı" sinir ağları sınıfını kullanıyoruz. Hopfield ağları ve kısıtlı Boltzmann makineleri (RBM - Kısıtlı Boltzmann Makinesi) gibi.

Sentetik kimyada yapay zekanın geleceği nedir? Yapay zeka kimyagerlerin işlerini ne kadar çabuk elinden alacak?

Gelecekte sentetik kimyada yapay zekanın kullanımına yönelik, şu anda kısmen uygulanmakta olan çeşitli yönler görüyorum. Örneğin, metin işleme ve görüntü tanımaya yönelik yapay zeka yöntemleri, kimyasal maddelerin sentez yöntemleri, özellikleri ve reaktiviteleri hakkında literatürden ve diğer kaynaklardan bilgi çıkarmak için halihazırda aktif olarak kullanılmaktadır. Bu, veritabanlarını zenginleştirmek için muazzam miktarda yayınlanmış literatürden bilgi çıkaran çok sayıda nitelikli kimyagerin (genellikle Üçüncü Dünya ülkelerinden düşük maaş alan) işe alınmasının maliyetini önemli ölçüde azaltmayı zaten mümkün kılıyor.

Bu "manuel" yenileme yöntemiyle, potansiyel olarak yararlı bilgilerin önemli bir kısmı "kaybolur". Yapay zeka yöntemleri, halihazırda veritabanlarında toplanmış bilgileri otomatik olarak işlemek ve analiz etmek, hataları bulmak, düzeltmek ve eksik bilgileri otomatik olarak doldurmak için de kullanılmaya başlıyor; bu da sentetik kimyagerler için bu tür bilgilerin değerini önemli ölçüde artırabilir.

Kazan Federal Üniversitesi kemoinformatik laboratuvarının bu yönde lider konumda olduğunu belirtmekte fayda var. Sentetik kimyagerler, çalışmalarında iş günlükleri olarak "elektronik not defterleri" kullanmaya başlıyor; bu defterler gelecekte yapay zeka araçlarıyla doldurulacak ve kimyasal bilgi toplamanın ana aracı haline gelecek.

Gelecekte yapay zeka, şu anda tüm kimyagerler için önemli miktarda zaman alan ve zaten yetersiz şekilde yapılan, kimyasal sentez ve kimyasal maddelerin özelliklerine ilişkin yayınlanmış çok sayıda literatürün düzenli olarak gözden geçirilmesi ve analiz edilmesi işlevini üstlenecek. Gelecekte kimyagerler, kimyasal maddelerin en iyi şekilde nasıl sentezleneceği, belirli bir amaç için genel olarak hangi maddelerin sentezlenmesi gerektiği gibi çalışmalarında ortaya çıkan her türlü soruyu yanıtlayabilecek "akıllı asistanlara" sahip olacaklar. Sentetik kimya, farmakoloji, biyoenformatik, malzeme bilimi ve robotik alanlarından yapay zeka araçları halihazırda entegre ediliyor. Bu, gelecekte yapay zekanın yalnızca planlamakla kalmayıp aynı zamanda rutin kimyasal sentezler gerçekleştirmesine de yol açacak ve bu da yeni ilaç ve yeni materyal geliştirme verimliliğini önemli ölçüde artıracak. Biraz daha uzak bir gelecekte yapay zekanın kimya alanında bilimsel araştırmaların planlanması ve yürütülmesinde önemli bir araç haline geleceğini düşünüyorum. Kemoinformatiğin modern gelişimi tam olarak buna yöneliktir.

Aralarında önde gelen bilim adamlarının da bulunduğu pek çok kişi, artık yapay zekanın yaygın olarak kullanılmaya başlanmasını, insanların işlerini ellerinden alabilecek ve hatta belki de insanlığın varlığını gereksiz hale getirebilecek büyük bir tehlike olarak görüyor. Herkes “Terminatör” filmini hemen hatırlar. Böyle bir tehlike elbette var ama makinelerin ve bilgi teknolojilerinin devreye girmesiyle benzer tehlikeler de ortaya çıktı. Yapay zekanın gelişmesinin eski uzmanlıkların ve işlerin ortadan kaldırılmasından ziyade ek uzmanlıkların ve işlerin ortaya çıkmasına yol açacağını düşünüyorum. Sentetik kimya alanında yapay zeka, insanları zamanlarının çoğunu alan rutin işlerden kurtaracak ve kimyagerlerin işlerini çok daha yaratıcı ve üretken hale getirecek. Yapay zekanın kendisine bir tehdit oluşturmaktan ziyade insan yeteneklerinin geliştirilmesine ve etkili bir şekilde kullanılmasına yardımcı olma olasılığı daha yüksektir.

Sorular Misha Batin ve Seryozha Markov tarafından soruldu.

• Mustafina Nailya Mugattarovna, bekar, öğrenci
• Başkurt Devlet Tarım Üniversitesi
• Sharafutdinov Aidar Gazizyanovich, Bilim Adayı, Doçent, Doçent
• Başkurt Devlet Tarım Üniversitesi

• BİLGİSAYAR MAKİNELERİ
• TEKNİK
• BİLİM
• YAPAY ZEKA

Günümüzde bilimsel ve teknolojik ilerleme hızla gelişmektedir. Hızla büyüyen sektörlerden biri de yapay zekadır.

Günümüzde teknolojik ilerleme hızla gelişmektedir. Bilim yerinde durmuyor ve insanlar her yıl giderek daha ileri teknolojiler buluyor. Teknolojik ilerlemenin gelişmesindeki yeni yönlerden biri yapay zekadır.

İnsanlık yapay zekayı ilk kez 50 yıldan fazla bir süre önce duydu. Bu, 1956'da Dartmouth Üniversitesi'nde düzenlenen ve John McCarthy'nin bu terime açık ve kesin bir tanım verdiği bir konferansta gerçekleşti. “Yapay zeka, akıllı makineler ve bilgisayar programları oluşturma bilimidir. Bu bilimin amaçları doğrultusunda bilgisayarlar, insan zekasının özelliklerini anlamak için bir araç olarak kullanılır; aynı zamanda yapay zeka araştırması, biyolojik olarak makul yöntemlerin kullanımıyla sınırlı olmamalıdır.

Modern bilgisayarların yapay zekası oldukça yüksek düzeydedir, ancak davranışsal yetenekleri en ilkel hayvanlardan bile aşağı olmayacak düzeyde değildir.

"Yapay zeka" üzerine yapılan araştırmaların sonucu, beynin çalışmasını anlama, insan bilincinin sırlarını ve belirli bir düzeyde insan zekasına sahip makineler yaratma sorununu ortaya çıkarma arzusudur. Entelektüel süreçlerin modellenmesinin temel olasılığı, sonlu sayıda kelime kullanılarak kesin olarak net bir anlambilime sahip bir dilde tanımlanan herhangi bir beyin fonksiyonunun, herhangi bir zihinsel aktivitenin, prensipte bir elektronik dijital bilgisayara aktarılabilmesidir.

Günümüzde çeşitli alanlarda yapay zekanın bazı modelleri geliştirildi ancak henüz herhangi bir yeni alanda bilgi işleyebilen bir bilgisayar oluşturulmadı.

Yapay zekanın bilimsel bir yön olarak tanımlanmasından bu yana akıllı sistem geliştiricilerine yüklenen en önemli görev sınıfları arasında aşağıdakilerin vurgulanması gerekir: yapay zeka alanları:

• Teoremlerin kanıtı. Teorem kanıtlama tekniklerinin incelenmesi yapay zekanın gelişiminde önemli bir rol oynadı. Tıbbi teşhisler gibi pek çok resmi olmayan sorun, teorem kanıtlamayı otomatikleştirmek için kullanılan metodolojik yaklaşımlar kullanılarak çözülür. Bir matematik teoreminin kanıtını bulmak, yalnızca hipotezlerden çıkarım yapmayı değil, aynı zamanda ana teoremin genel kanıtı için hangi ara ifadelerin kanıtlanması gerektiğine dair sezgisel varsayımların yaratılmasını da gerektirir.
• Görüntü tanıma. Görüntü tanıma için yapay zekanın kullanılması, grafik nesnelerin benzer özelliklere dayalı olarak tanımlanmasına yönelik pratik olarak çalışan sistemlerin oluşturulmasını mümkün kılmıştır. Nesnelerin tanınacak her türlü özelliği özellik olarak değerlendirilebilir. Özellikler nesnelerin yönüne, boyutuna ve şekline göre değişmez olmalıdır. Özelliklerin alfabesi sistem geliştiricisi tarafından oluşturulur. Tanınma kalitesi büyük ölçüde özellikler alfabesinin ne kadar iyi geliştirildiğine bağlıdır. Tanıma, görüntüde seçilen ayrı bir nesne için bir özellik vektörünün önceden elde edilmesinden ve daha sonra bu vektörün özellik alfabesinin standartlarından hangisine karşılık geldiğinin belirlenmesinden oluşur.
• Makine çevirisi ve insan konuşmasını anlama. İnsan konuşmasındaki cümleleri sözlük kullanarak analiz etme görevi, yapay zeka sistemlerinin tipik bir görevidir. Bu sorunu çözmek için farklı dillerdeki ifadelerin karşılaştırılmasını kolaylaştıran bir aracı dil oluşturuldu. Daha sonra bu aracı dil, çevrilecek metinlerin anlamlarını temsil eden bir anlamsal modele dönüştü. Anlamsal modelin evrimi, bilginin içsel temsili için bir dilin yaratılmasına yol açtı. Sonuç olarak, modern sistemler metinleri ve cümleleri dört ana aşamada analiz eder: morfolojik analiz, sözdizimsel, anlamsal ve pragmatik analiz.
• Oyun programları. Çoğu oyun programı, yineleme ve kendi kendine öğrenme gibi yapay zekanın birkaç temel fikrine dayanmaktadır. Yapay zeka yöntemlerini kullanan oyun programları alanında karşılaşılan en ilginç sorunlardan biri bilgisayara satranç oynamayı öğretmektir. 50'li yılların sonlarında, bilişimin ilk günlerinde kuruldu. Satrançta, sistemin entelektüel gelişimini değerlendirmek için net kriterler sağlayabilen belirli beceri seviyeleri ve oyun kalitesi dereceleri vardır. Bu nedenle bilgisayar satrancı dünyanın her yerinden bilim adamları tarafından aktif olarak inceleniyor ve başarılarının sonuçları gerçek pratik öneme sahip diğer entelektüel gelişmelerde kullanılıyor.
• Makine yaratıcılığı. Yapay zekanın uygulama alanlarından biri de bağımsız olarak müzik, şiir, öykü, makale, diploma ve hatta tez oluşturabilen yazılım sistemleridir. Bugün bir dizi müzik programlama dili var (örneğin, C-Sound dili). Çeşitli müzik görevleri için özel yazılımlar oluşturuldu: ses işleme sistemleri, ses sentezi, etkileşimli kompozisyon sistemleri, algoritmik kompozisyon programları.
• Uzman sistemler. Yapay zeka yöntemleri, otomatik danışmanlık sistemleri veya uzman sistemlerin oluşturulmasında uygulama alanı bulmuştur. İlk uzman sistemler 1960'larda araştırma aracı olarak geliştirildi. Hastalıkların tıbbi teşhisi gibi dar bir konu alanındaki karmaşık sorunları çözmek için özel olarak tasarlanmış yapay zeka sistemleriydi. Bu yönün klasik hedefi başlangıçta, konu alanında özel bilgi gerektirmeden herhangi bir sorunu çözebilecek genel amaçlı bir yapay zeka sistemi yaratmaktı. Sınırlı bilgi işlem kaynakları nedeniyle, bu sorunun kabul edilebilir bir sonuçla çözülemeyecek kadar karmaşık olduğu ortaya çıktı.

Yapay zekayı geliştirmenin temel amacının optimizasyon olduğunu söyleyebiliriz; bir insanın tehlikeye maruz kalmadan nasıl diğer gezegenleri inceleyebileceğini ve değerli metalleri çıkarabileceğini hayal edin.

Böylece yapay zekanın araştırılmasının ve geliştirilmesinin tüm toplum için önemli olduğu sonucuna varabiliriz. Sonuçta bu sistemin kullanılmasıyla insan hayatı güvence altına alınabiliyor ve kolaylaştırılabiliyor.

Kaynakça

1. Yasnitsky L.N. Yapay zekayı kullanma olanakları üzerine [Elektronik kaynak]: bilimsel elektronik kütüphane. URL: http://cyberleninka.ru/ (erişim tarihi 06/01/2016)
2. Yastreb N.A. Yapay zeka [Elektronik kaynak]: bilimsel elektronik kütüphane. URL: http://cyberleninka.ru/ (erişim tarihi 06/01/2016)
3. Abdulatipova M.A. Yapay zeka [Elektronik kaynak]: bilimsel elektronik kütüphane. URL: http://cyberleninka.ru/ (erişim tarihi 06/01/2016)