декабрь    2024

Пн	Вт	Ср	Чт	Пт	Сб	Вс
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30	31

показать все 

29.11.2024

Сайберус создает новую ИБ-компанию на основе технологий и экспертизы F.A.C.C.T.

Читать далее 

29.11.2024

ГК InfoWatch представила новую версию InfoWatch ARMA Стена (NGFW) 4.4.

Читать далее 

29.11.2024

ARinteg про архиватор ARZip: что изменилось в функционале и интерфейсе?

Читать далее 

29.11.2024

Avanpost представляет бесплатную и промышленную версии службы каталогов Avanpost DS

Читать далее 

29.11.2024

Новая версия «Блокхост-Сеть 4»: решение для импортозамещения

Читать далее 

показать все 

22.11.2024

Тандем технологий – драйвер инноваций.

Читать далее 

21.11.2024

ИИ: маршрут не построен, но уже проектируется

Читать далее 

18.11.2024

Глеб Шкрябин: «Надежные и масштабируемые системы — основа стабильной работы бизнеса в условиях больших нагрузок»

Читать далее 

14.10.2024

Елена Ситдикова: «На разработчиках программного обеспечения для транспорта лежит большая ответственность перед пассажирами»

Читать далее 

11.10.2024

Технологический ИИ-арсенал

Читать далее 

13.06.2024

Взгляд в перспективу: что будет двигать отрасль информационной безопасности

Читать далее 

18.04.2024

5 способов повысить безопасность электронной подписи

Читать далее 

18.04.2024

Как искусственный интеллект изменит экономику

Читать далее 

18.04.2024

Неочевидный САПР: выход ПО за рамки конструкторской деятельности

Читать далее 

18.04.2024

Скоро некому будет делать сайты и заниматься версткой

Читать далее 

показать все 

Главная / Архив номеров / 2018 / Выпуск №03 (76) / Роевой интеллект, или Не только человек обладает сознанием

Рубрика: Инновации

Алексей Лагутенков, MBA Kingston University UK, ITSM Manager, MCSE+I, MCSE:S:M, MCDBA, MCDST

Роевой интеллект,
или Не только человек обладает сознанием

Всегда ли для решения задач искусственного интеллекта (ИИ) нужны мощные компьютеры? Можно ли построить ИИ на базе устройств интернета вещей? Можно ли не делать вообще ничего для построения ИИ, чтобы он построил и настроил себя сам?

В мировых СМИ не стихают споры, каким будет сверхмощный ИИ ближайшего будущего. Будет ли он за нас или против? Г-н Маск предлагает ввести жесткое регулирование всего, что как-то связано с ИИ, а г-н Левандовски, наоборот, предлагает поклоняться ИИ как божеству. Несмотря на прямо противоположные точки зрения на пользу или вред от ИИ, в представлении большинства ИИ – это нечто вроде супермощного человеческого сознания. Именно эту форму ИИ представляют в кино и прессе и именно на нее пытаются примерить все возможные человеческие ценности и качества: мораль, совесть, чувства и чувственность. Однако что если ИИ по своим свойствам не обязательно будет похож на человека? Более того, уже существуют и используются модели ИИ, которые вообще не имеют никакого отношения к людям и имитируют совершенно иную форму разума.

С момента своего появления вычислительные машины умели работать с алгоритмами, то есть исполняли наборы инструкций, описывающих порядок действий компьютера для достижения некоего результата. Исполняются алгоритмы последовательно-линейно. Отклонения от линейного курса – это всевозможные циклы, условия-ветвления, вызовы подпрограмм и некоторых других сущностей, которые в целом не меняют последовательности исполнения кода. Например, число мест на автопарковке N=10. Если число автомобилей, въехавших на парковку, K=N, то следует включить красное табло «МЕСТ НЕТ», иначе должна гореть вывеска «СВОБОДНЫЕ МЕСТА».

Линейные алгоритмы великолепно справляются как с простыми, так и с довольно сложными задачами. Одна из таких усложненных задач – выявление взаимосвязи в процессах, которые на первый взгляд никак между собой не связаны. Например, сезонные изменения числа продаж смартфонов и количество аварий на дорогах – есть ли между ними корреляция? На этот вопрос даст ответ линейный регрессионный анализ. Правда, если случайных факторов, между которыми необходимо выявить соответствие, становится слишком много, регрессионный анализ превращается из помощника во вредителя. Слишком большое число уравнений и неоднозначность полученных результатов скорее путают исследователя, чем помогают.

Сложности с линейными алгоритмами возникают еще и в том случае, когда человек не знает точно, как должен выглядеть конечный результат вычислений. В этом случае за дело берутся нейронные сети и ИИ. Эта связка позволяет решить задачи, где не ясно, как построить решение, но понятно, как должен выглядеть результат. ИИ на базе нейросетей максимально близко моделирует работу человеческого мозга, где между нейронами устанавливаются связи, а в процессе обучения определяется важность (вес) этих связей. Если не вдаваться в подробности, такая модель позволяет обрабатывать огромные объемы данных и получать намного более точные ответы, чем регрессионный анализ.

ИИ на базе нейросетей индивидуален, как человек. Мощный компьютер и заранее подготовленная среда для решения задачи обязательны для его функционирования. Подобно тому, как незнакомых людей необходимо представлять друг другу, объединять вычислительные усилия нескольких нейросетей также приходится вручную. Причем если поставленная задача поменялась, то всю «сеть сетей» придется переучивать и перестраивать.

Между тем в природе встречается явление, когда живые или не совсем живые создания, обладающие сравнительно низким индивидуальным интеллектом (или вообще его отсутствием), объединяются в сообщества, которые ведут себя намного умнее, чем каждый из участников группы по отдельности. Речь идет о довольно экзотической разновидности ИИ – роевом интеллекте (РИ) (англ. Swarm Intelligence). Впервые на это явление обратил внимание Станислав Лев в 1964 году в романе «Непобедимый», а развил идею в 1983-м в эссе «Системы оружия двадцать первого века, или Эволюция вверх ногами».

РИ представляет собой коллективное поведение отдельных особей (агентов) в самоорганизующейся системе без выраженного центра управления, то есть в децентрализованной группе. Действующих агентов в современной теории РИ часто называют «боиды». Впервые это слово появилось в 1986 году. Boids – название программы, разработанной исследователем Крейгом Рейнольдсом, которая имитирует поведение птиц, сбившихся в стаю. Название «boid» образовано от «birds id», или «птичьи объекты».

Одиночный боид следует простым правилам, которые заложены в него природой (физическими законами или генетикой). Несмотря на отсутствие командного центра, который указывал бы, что именно делать каждому из боидов, их случайные взаимодействия приводят к тому, что общее поведение группы становится выраженно интеллектуальным. При этом каждый конкретный боид не обязательно ведет себя разумно. Такое поведение демонстрируют, например, муравьи, пчелы, термиты, волки, капли воды, иммунная система человека, летучие мыши и т.д.

Каждый конкретный муравей или пчела скорее всего даже не подозревает, что колония, участником которой он является, ведет себя разумно. С другой стороны, волки и летучие мыши достаточно интеллектуальные индивиды. Однако, говорить о наличии или отсутствии интеллекта у капли воды вообще не представляется возможным, поскольку это предмет неживой природы. Тем не менее все эти агенты, как-то муравей, пчела, волк, капля воды, объединившись в однородные группы (муравьи с муравьями, пчелы с пчелами и т.д.), демонстрируют более разумное поведение, чем каждый из них по отдельности.

К преимуществам РИ можно отнести сразу несколько аспектов.

• Надежность выполнения проектов. Проекты, над которыми работает колония, не зависят от эффективности участия каждого конкретного агента. Более того, даже если некоторые особи делают что-то неправильно или вообще гибнут, это никак не отражается на конечном результате.
• Гибкость в принятии решений. Группа агентов, объединенная в рамках РИ, способна чрезвычайно быстро реагировать как на внешние угрозы, так и на внутренние проблемы в колонии.
• Самоорганизация – это одно из самых интересных свойств в системах РИ. Отсутствие центра контроля и командования позволяет колонии принимать быстрые, верные и беспрецедентно гибкие решения и быть полностью независимой от качества управления.
• Масштабируемость. Управление не-большой группой людей требует определенных усилий, а руководство большой организацией – громадных усилий. Чем больше народа задействовано в организации, тем ниже неэффективность всего этого объединения. Колония боидов, действующая по принципам РИ, эффективна всегда. Она может быть образована как несколькими агентами, так и десятками – сотнями тысяч. Рой любого масштаба не требует никакого руководства и максимально рационально сам решает все поставленные перед ним задачи.
• Предсказательная способность. Рой умеет «предсказывать» действия раздражителя. Поскольку все решения принимаются в колонии децентрализованно, они могут опережать поведение среды или раздражителя. Возможны случаи, когда рой начинает правильно реагировать на некое событие из будущего ДО ТОГО, как это событие начинает происходить.
• Мультизадачность. Самоорганизация роя и независимость действий агентов делают возможным выполнение нескольких задач сразу.

Недостатки РИ являются следствием достоинств. Логически предсказать реакцию системы, чья работа базируется на РИ, чрезвычайно сложно, поскольку функционирование каждого отдельного агента стохастическое и логически не связано с поведением всей системы в целом. Колония чувствительна к любым внешним и внутренним изменениям условий и правил взаимодействия. Даже небольшие отличия в условии поставленных задач приводит к заметному изменению поведения роя на разных уровнях, при этом внести изменения именно в логику поведения всего роя, а не отдельного агента почти невозможно.

Исследования РИ активно ведутся по всему миру. Примерами построения поведенческих моделей с помощью РИ могут быть, например, алгоритм искусственной пчелиной колонии (англ. artificial bee colony algorithm, ABC). Впервые он описан турецким исследователем Дервисом Карабога в 2005 году [1]. С помощью трех жестко закрепленных ролей – «работник», «наблюдатель» и «разведчик» – алгоритм позволяет реализовать сложные механизмы решения задач по оптимизации. Еще одна интересная разновидность РИ предложена иранскими учеными Сейдали и Сейедом Мохаммадом Мирджалили и австралийцем Андрю Льюисом в 2014 году [2]. Они исследовали распределение ролей и поведение волков в стае и на основе этого предложили новую модель РИ.

Особняком стоит интеллектуальный алгоритм капель воды (англ. IWD). Это модель, согласно которой водяные капли находят оптимальный путь к месту назначения, изменяя русло реки. Этому способствуют три важных параметра. За счет собственной скорости капли способны захватывать почву со дна реки, и чем выше скорость, тем большее количество почвы каждая капля способна унести с собой, соответственно, тем свободнее станет путь для последующих агентов. Скорость потока растет там, где нет почвы, которую необходимо расчищать. Оптимальным можно назвать такой путь, на котором встречается меньше всего почвы и где можно развить наибольшую скорость. С помощью IWD можно реализовать стратегию оптимизации, когда случайные агенты интеллектуально взаимодействуют друг с другом таким образом, что совместными усилиями меняют русло реки и создают оптимальный путь, на котором почва вообще не встречается и скорость потока агентов становится наивысшей из возможных.

РИ уже применяется во множестве областей. Управление светофорами и оптимизация трафика на автодорогах часто построены с применением принципов РИ. Большой потенциал у РИ в обработке Big Data, в особенности если данных много, связь между ними многомерна, сами эти данные динамически изменяются, а конечная цель обработки постоянно варьируется. В ИТ методы РИ используются для построения систем сложной маршрутизации, например AntNet –протокол маршрутизации сетевого трафика, построенный с помощью РИ на базе анализа поведения муравьев. Муравьи-«разведчики», идущие первыми, с помощью ферромонов оставляют информацию следующим за ними «рабочим» муравьям. Таким образом разведчики размечают путь, отрезая бесполезные участки, где для их собратьев нет никакого интереса. В протоколе маршрутизации используются «пакеты-разведчики», единственная цель которых – определить задержки в сети, то есть выявить неоптимальные, «плохие» маршруты, с наибольшим временем прохождения сигнала. Информацию «разведчиков» наследуют «рабочие пакеты», на основании которых динамически перестраиваются таблицы маршрутизации. В медицине методы РИ применяются для ранней диагностики онкологических заболеваний, а в энергетике эти подходы позволяют оптимизировать распределение электроэнергии и снизить пиковый расход на 25-40%.

Наиболее понятным «бытовым» применением РИ, скорее всего, будет его использование в интернете вещей (IoT). Благодаря принципам РИ небольшие вычислительные системы, встроенные в бытовую технику (англ. embedded systems), смогут самоорганизовываться в рой в рамках концепции «умный дом» для выполнения более сложных задач. В конечном итоге это должно будет привести к синергетическому росту интеллектуальной мощности интернета вещей и, соответственно, созданию более комфортных условий для человека в границах его жилища. Правда, остается открытым вопрос: насколько такой системой можно будет управлять?

Судя по открытым публикациям в иностранных научных журналах, интерес к этому виду искусственного интеллекта только начинает просыпаться. Наибольшая исследовательская активность приходится на последние четыре-пять лет. Пока трудно даже представить все области, где может быть задействован РИ. Однако в ближайшее время мы наверняка о нем еще услышим!

1. Dervis Karaboga. An idea based on honey bee swarm for numeral optimization, 2005.
2. Seyedali Mirjalili, Seyed Mohammad Mirjalili, Andrew Lewis. Grey Wolf Optimizer, 2014.

В начало⇑

Комментарии отсутствуют

Комментарии могут отставлять только зарегистрированные пользователи