Принципиально новых идей в области ИИ не появлялось достаточно давно: секции современных конференций соответствуют весьма традиционным разделам ИИ. Современное состояние области искусственного интеллекта связано, скорее, с разработкой сложных систем.  Но при этом используются теории, которые создавались для упрощенных случаев и искусственно изолированных задач. Попытки же создания "общих теорий интеллекта" зачастую сводятся к очерчиванию лишь его общей структуры, мало пригодной для использования на практике. Требуется же нечто иное - теория построения сложных систем. Целью настоящего семинара и предлагается сделать проведение анализа проблемы синтеза сложных интеллектуальных систем, используя как нисходящий метод – от общих схем к конкретике, так и восходящий метод – путем обобщения непосредственного прикладного опыт.

Метод принятия решений на основе интеграции распознавания образов и моделирования стохастической среды
 
В.А. Анисимов, к.т.н.

Использование в той или иной форме модели мира является одним из основных атрибутов как живых, так и искусственных интеллектуальных систем, ибо управление можно осмысленно реализовывать лишь на основе возможности предсказания последствий тех или иных действий системы. Возможны различные подходы и концепции к реализации этой задачи, однако, представляется важным, что бы единая концепция могла быть использована для максимально широкого круга задач, ибо это существенно сокращает ресурсные расходы на создание такого рода систем. С этой точки зрения представляется достаточно перспективным подход, применённый нами впервые для задачи распознавания рукописного текста, который, с моей точки зрения, может быт обобщён на гораздо более широкий круг приложений.

Общее между реальной клеткой и стандартной моделью нейрона - только название. Для этой модели существует множество алгоритмов, так или иначе основанных на матричном исчислении. В реальных задачах, связанных с построением больших систем, применение подобных подходов неприемлемо из-за низкого быстродействия, плохого распараллеливания, ограниченности возможностей обучения, низкого подобия естественным нейронам. Новая модель призвана преодолеть эти ограничения. Основа этой модели - моделирование кусочков мембраны с ионными каналами. Было промоделировано распространение активности по мембранам с различным расположением ионных каналов. Были выведены паттерны ответа нейрона в зависимости от топологии дендритов. В модель включены модели глиальных клеток как средство управления "глупыми" нейронами. Построена модель кортикальной колонки. Рефакторинг модели с максимальным сохранением функционального подобия естественным нейронам привел к получению чистых алгоритмов, позволяющих очень быстро работать в реальных "боевых" системах, например, это позволило создать алгоритмы быстрого поиска (индексации), устойчивого к шумам распознавания, выявления закономерностей в больших массивах данных. На этой же основе построен псевдо-интеллект проекта ПИПС.

Рассматриваются свойства биологических нейронов, отсутствующие у классических формальных нейронов (ФН). Указывается на наличие у нейрона "собственного" времени, на необходимость его рассмотрения не как взвешенного сумматора, а частотно-импульсного модулятора, на необходимость включения моделей динамических синапсов. Указывается на важность эффекта "синапс на синапсе", являющегося значимым фактором пластичности; целесообразность расширения модели ФН "ядром", в котором собираются его параметры.

Раскрыты конструктивные рамки интеллекта и предложены его признаки. На базе этих признаков рассмотрен схематичный пример использования ии-системы на биржевых рынках. Предложены уровни моделирования: система в целом, функциональный модуль, слой модуля, узел (нейрон). Раскрыта архитектура верхнего уровня ии-системы, состоящая из анализаторов, селекторов, компараторов и др. модулей. Рассмотрена архитектура функционального модуля на примере анализатора среды. Предложена неравновесная модель узла. Обоснован выбор ряда модификаций, отличающих предлагаемую модель узла (нейрона) от существующих.

(Два доклада)
1. Базовые принципы естественного интеллекта и их эволюционное развитие
2. Моделирование мозга человека

В докладе описывается опыт разработки автономного мобильного робота Робокинг-1 фирмы LG Electronics: его конструкция, модуль управления шасси, система датчиков, модуль навигации и управления, навигация в пространстве и перемещение, алгоритм работы, недостатки и проблемы. В процессе описания делается краткий обзор существующих датчиков.

Содержание доклада:
1. Моделирование управляемого движения объекта с использованием ЭС.
2. Описание разрабатываемых роботов на каф. 35 СПбГМТУ.
2.1. Робот-манипулятор
2.2. Роботизированный комплекс для исследования алгоритмов навигации и управления движением

Автоматное программирование – подход к разработке программных систем со сложным поведением, основанный на модели автоматизированного объекта управления (расширении конечного автомата), в качестве которого может выступать как произвольный физический объект, так и математическая функция. Рассматриваются достоинства автоматного программирования как вручную, так и при генерации автоматов методами генетического программирования. Приводятся примеры использования данного подхода во встраиваемых системах.

Содержание доклада:
1. Проблема сопоставления изображений в задачах навигации мобильных роботов.
2. Избыточность контрольных точек и методика ее устранения для повышения быстродействия.
3. Функция заметности ключевых точек на основе модели системы зрительного внимания.
4. Результаты экспериментальной проверки.

Содержание доклада:
1. Применение автоматного программирования для построения систем управления мобильными роботами
2. Система управления малоразмерным беспилотным вертолетом
3. Разработка стенда для проверки алгоритмов автоматного управления мобильными роботами
4. Применение генетических алгоритмов для синтеза систем управления мобильными роботами

ИТМО, кафедра «Технологии программирования» Научный руководитель А. А. Шалыто

Содержание доклада.

1. Тенденции в области компьютерного зрения по материалам симпозиума "Defense, security and sensing 2010".
2. Проблема обучения и индуктивного вывода.
3. Байесовский критерий выбора гипотез.
4. Принцип минимальной длины описания.
5. Проблема анализа изображений как пример задачи индуктивного вывода.
6. Проблема выбора представлений изображений в системах компьютерного зрения. «Сильное» обучение как автоматический выбор представлений.
7. Принцип репрезентационной минимальной длины описания.
8. Примеры обучения в задачах сегментации и выбора локальных признаков как адаптации к предметной области.

Описывается пример прикладной системы фразового машинного перевода. Приводятся элементы языка правил перевода, содержащие атрибуты слов, операции с группами слов, операторы пометок и т.д. Описывается компилятор правил в бинарный код через дерево операций для ускорения перевода.