Почему за гибридными ИИ-системами будущее

Номер 6. За высокую норму
Почему за гибридными ИИ-системами будущее

В статье Гари Маркуса Deep Learning: A Critical Appraisal [1] поставлены вопросы о современных достижениях глубинного обучения и искусственного интеллекта (ИИ). Общий тон работы пессимистичный и настраивает на переосмысление полученных результатов, даже если они и промежуточные. Маркус дает прогнозы и пишет о возможных последствиях очередной шумихи вокруг ИИ-технологий [2]. В настоящей статье дается видение того, в каком направлении следует двигаться при разработке ИИ-систем.

>> Скачать полную версию статьи (PDF, 345KB)

Источники:

  1. Marcus G. Deep Learning: A Critical Appraisal [Электронный ресурс]. New York University, 2017 // Cornell University Library. URL: https://arxiv.org/abs/1801.00631.
  2. Голованов Г. Gartner: «Хайп вокруг ИИ идет во вред технологии и потребителям» [Электронный ресурс] // Хайтек. 2017. 19 июля. URL: https://hightech.fm/2017/07/19/ai-hype.
  3. Minsky M. Computation: Finite and Infinite Machines. Englewood Cliffs, N.J.: Prentice-Hall. 1967.
  4. Колесников А.В. Гибридные интеллектуальные системы: Теория и технология разработки. СПб.: Изд-во СПбГТУ, 2001. 711 с.
  5. Medsker L.R. Hybrid Intelligent Systems. Boston: Kluwer Academic Publishers, 1995. 298 p.
  6. Эшби У.Р. Введение в кибернетику. М.: Изд-во иностранной литературы, 1959. 432 с.
  7. Weiss G. (ed.). Multiagent Systems. A Modern Approach to Distributed Artificial Intelligence. MIT Press, 1999.
  8. Wooldridge M. An Introduction to MultiAgent Systems, John Wiley & Sons Ltd, 2002, paperback, 366 p.
  9. Зайцев И.М., Федяев О.И. Агентно-ориентированный подход к моделированию интеллектуальных распределенных систем: Сб. Донецк: ДонНТУ, 2008. С. 337–338.
  10. José Antonio Martin H.; Javier de Lope; Darío Maravall. Adaptation, Anticipation and Rationality in Natural and Artificial Systems: Computational Paradigms Mimicking Nature. Natural Computing. Springer, 2009. 8 (4): 757–775. doi:10.1007/s11047-008-9096-6.
  11. Бир С. Мозг фирмы. М.: Радио и связь, 1993. 416 с.
  12. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс, 2017. 652 с.
  13. Miller G.A., Chomsky N. Pattern conception. Paper for Conference on pattern detection, University of Michigan, 1957.
  14. Каллан Р. Основные концепции нейронных сетей. М.: Издательский дом «Вильямс», 2001. 288 с.
  15. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия — Телеком, 2001. 382 с.
  16. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.
  17. Флах П. Машинное обучение. М.: ДМК Пресс, 2015. 400 с.
  18. Huang S., Papernot N., Goodfellow I., Duan Y., Abbeel P. Adversarial Attacks on Neural Network Policies, 2017. arXiv, cs.LG.
  19. Kansky K., Silver T., Mély D. A., Eldawy M., Lázaro-Gredilla M., Lou X. et al. Schema Networks: Zero-shot Transfer with a Generative Causal Model of Intuitive Physics, 2017. arXIv, cs.AI.
  20. Кондаков Н.И. Обобщение // Логический словарь-справочник. 2-е изд. М.: Наука, 1975. С. 395.
  21. Душкин Р.В. Методы получения, представления и обработки знаний с НЕ-факторами. М., 2011. 115 с., ил.
  22. Marcus G. The Algebraic Mind: Integrating Connectionism and cognitive science. Cambridge, Mass.: MIT Press, 2001.
  23. Mikolov T., Chen K., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space. arXiv, 2013.
  24. Socher R., Huval B., Manning C.D., Ng A.Y. Semantic compositionality through recursive matrix-vector spaces. Proceedings from Proceedings of the 2012 joint conference on empirical methods in natural language processing and computational natural language learning, 2012.
  25. Добров Б.В., Иванов В.В., Лукашевич Н.В., Соловьев В.Д. Онтологии и тезаурусы: модели, инструменты, приложения. М.: Бином. Лаборатория знаний, 2009. 173 с.
  26. Sowa J.F., Borgida A. Principles of Semantic Networks: Explorations in the Representation of Knowledge, 1991.
  27. Bart K. Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Englewood Cliffs, NJ: Prentice Hall, 1992.
  28. Abraham A. Adaptation of Fuzzy Inference System Using Neural Learning, Fuzzy System Engineering: Theory and Practice, Nadia Nedjah et al. (Eds.), Studies in Fuzziness and Soft Computing, Springer Verlag Germany, Chapter 3, pp. 53–83, 2005.
  29. Dempster A.P. A generalization of Bayesian inference, Journal of the Royal Statistical Society, series B, vol. 30, pp. 205–247, 1968.
  30. Shafer G. A Mathematical Theory of Evidence, Princeton University Press, 1976.
  31. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 166 с.
  32. Душкин Р.В., Рыбина Г.В. Об одном подходе к автоматизированному извлечению, представлению и обработке знаний с НЕ-факторами. В кн.: Известия РАН. Теория и системы управления. № 5. М., 1999. С. 34–44.
  33. Хайкин С. Нейронные сети: Полный курс. 2-е изд. М.: Издательский дом «Вильямс», 2006. 1104 с.
  34. Knight W. DARPA is funding projects that will try to open up AI’s black boxes. MIT Technology Review. Retrieved 2017–11–02.
  35. Regina B., McCullough D., Rambow O., DeCristofaro J., Korelsky T., Lavoie B. A New Approach to Expert System Explanations. USAF Rome Laboratory Report.
  36. Haselton M. Error Management Theory. Journal of Personality and Social Psychology. 2000, January.
  37. Кэрролл Р.Т. Энциклопедия заблуждений: собрание невероятных фактов, удивительных открытий и опасных поверий. М.: Издательский дом «Вильямс», 2005. 672 с.
  38. Лоран П.Ж. Аппроксимация и оптимизация. М.: Мир, 1975. С. 496.
  39. Душкин Р.В., Жарков А.Д., Иванов Д.А. От безопасного к умному городу — Нижний Новгород: ИТ-форум – 2020 «Развитие цифрового государства. Создание систем весогабаритного контроля, интеллектуальных транспортных систем». Нижний Новгород, 2017, 12–14 апреля.
  40. Терелянский П.В. Системы поддержки принятия решений. Опыт проектирования. Волгоград: ВолгГТУ, 2009. 127 с.
Следить за новостями ИНЭС: