Искусственный интеллект и семантическое обучение

Ярушкина Н.Г., Гуськов Г.Ю.

512 стр.

Научное издание

Формат 60х90/16 (145x215 мм)

Исполнение: в твердом переплете

ISBN 978-5-9912-1204-5

ББК 16.6

УДК 004.85

Аннотация

В книге изложен взгляд на современный этап развития искусственного интеллекта, который избегает узкой сосредоточенности на последних достижениях машинного обучения. Авторы исходили из убеждения, что знания об ИИ, полученные и систематизированные в течение нескольких десятилетий, не могут устареть раз и навсегда, несмотря на огромные успехи технологий глубокого обучения и генеративного интеллекта. Интеграция разных концепций и технологий ИИ, названная в книге семантическим обучением, рассмотрена для решения задач доверительного и объяснительного интеллекта, инженерии моделей, интерпретации обучения моделей, развития языковых моделей, как рассуждающих и «понимающих». Отдельные главы посвящены стеку современных интеллектуальных технологий и перспективам генеративного дизайна в проектировании.

Специальные главы книги представляют собой учебно-исследовательские практикумы по языковому моделированию и квантовым вычислениям и предназначены в первую очередь для студентов бакалавриата, обучающихся по направлениям 09.03.04 – «Программная инженерия», 09.03.03 – «Прикладная информатика», изучающих дисциплину «Системы искусственного интеллекта» и магистрантов, обучающихся по направлениям 09.04.04 – «Программная инженерия», 09.04.03 – «Прикладная информатика», изучающих перспективные методы машинного обучения.

Для широкого круга читателей интересующихся вопросами теории и практики искусственного интеллекта – научных работников, преподавателей, аспирантов, студентов.

Оглавление

Предисловие

Введение. Интеграция ИИ и МО для эффективного и объяснимого решения задач
Литература к введению

1. ИИ — универсальный решатель задач и универсальный объяснитель решений
1.1. Объяснения в науке
1.2. Объяснения, понимание, знание в философии (совсем немного философии)
1.3. Метазнание
1.4. Объяснения в традиционном ИИ. Объяснения в традиционном ИИ. Термины объяснимость, прозрачность, интерпретируемость. Стандартизация и унификация объяснимого ИИ
1.5. Объяснения в МО
1.6. Интеграция ИИ и МО в решении задач. Перспективы исследований
Литература к главе 1

2. Доверительный интеллект. Интерпретация. Суррогатные модели
2.1. Стандартизация доверительного ИИ
2.2. Доверие и объяснимость (интерпретируемость)
2.3. Возможны ли доказательства в ИИ?
2.4. Современные методы интерпретируемости НС ГО в МО
2.5. Суррогатные модели объяснений обученных моделей МО и НС
Литература к главе 2

3. Инженерия признаков, подготовка данных
3.1. Признаки, факторы, исходные посылки правил как связь модели и окружающей среды
3.2. Методы отбора и конструирования признаков
3.3. Подготовка данных. Новая индустрия и «пролетариат» МО
3.4. Аннотирование программного кода и проектных диаграмм
3.5. Аннотирование технической документации, проектных диаграмм
Литература к главе 3

4. Архитектуры НС глубокого обучения. Интерпретируемость
4.1. Сверточные (конволюционные) сети
4.2. Рекуррентные сети, задачи анализа и прогноза
4.3. LSTM-сети
4.4. Автоэнкодеры
4.5. Генеративно-состязательные сети и трансформеры в задачах генеративного интеллекта
4.6. Графовые НС
Литература к главе 4

5. Генеративный интеллект, большие языковые модели, мультимодальные модели и развитие ИИ
5.1. Языковое моделирование. Немного теории
5.2. Большие ЯМ. Немного истории. Типы
5.3. Большая языковая модель, как концептуальное описание (модель мира и языка). Интерпретируемость и интегрируемость
5.4. Большие ЯМ в решении задач
Литература к главе 5

6. Интеграция МО и традиционного ИИ. Семантическое обучение. От «error backpropagation» к «sense propagation»
6.1. Векторизация — новая парадигма «вычисления на словах»
6.2. Онтологии, семантические сети и языковые модели. Возможности интеграции
6.3. Моделирование рассуждений. Генеративный вывод
6.4. От кластеров векторов к понятиям и концептуальному пространству
6.5. От бессознательного к осознанному. Метауровень НС ГО
6.6. Интеграция методов ИИ и МО при проектировании интеллектуальных систем
6.7. Интеграция методов ИИ и МО, формирующие рассуждающие возможности языковых моделей
Литература к главе 6

7. Технологии ИИ и технологии ГИ
7.1. Сократический диалог специалиста ИИ (инженера по знаниям) и специалиста МО (инженера МО)
7.2. Стек информационных технологий. Системный дизайн прикладных интеллектуальных систем
7.3. Стек интеллектуальных технологий
7.4. Технологии использования моделей генеративного интеллекта
7.5. Технологии использования ЯМ
7.6. Интегральная архитектура ИИ и МО
7.7. Автоматизация систем МО
Литература к главе 7

8. Генеративный интеллект в задачах инженерного проектирования
8.1. Интеграция достижений генеративного интеллекта и традиционного ИИ в схеме предиктивной аналитики
8.2. Генеративный интеллект и языковые модели для построения автономного робота (интеллектуального агента), планирующего поведение
8.3. Большие ЯМ в задаче проектирования программных систем
8.4. Мультимодальные модели и техническое проектирование
Литература к главе 8

9. Учебно-исследовательский практикум по языковому моделированию разработки программных систем
9.1. Основные цели, особенности и инструментальное обеспечение исследовательских учебных заданий
9.2. Типы отношений (естественно-языкового вывода) в языковой модели
9.3. Онтологии, графы знаний и языковые модели
9.4. Векторные и структурные БЗ
9.5. Генерация кода и документации средствами генеративного ИИ
9.6. Генерация реляционной схемы БД и запросов по описанию
9.7. Извлечение сущностей и отношений из программного кода и документации
9.8. Исследовательские учебные задания
Литература к главе 9

10. Квантовые вычисления и квантовое машинное обучение
10.1. Сопоставление парадигм нейросетевых и квантовых вычислений. Квантовая механика – источник моделей квантовых вычислений и квантовых нейронных сетей
10.2. Основы квантовых вычислений
10.3. Квантовые вычисления. Программирование квантовых вычислений
10.4. Квантовые вычисления в задачах ИИ
10.5. Квантовое МО и квантовые НС
10.6. Гибридные вычисления. Композиция реального двухкубитного моделирования с классическими вычислениями
10.7. Квантовые вычисления в системах нечеткого управления
10.8. Учебно-исследовательский практикум по квантовым вычислениям
Литература к главе 10

Заключение

Рекомендуем

Книга

Искусственный интеллект и семантическое обучение