МИНОБРНАУКИ РОССИИ ВОЛГОГРАДСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕТСИТЕТ ФАКУЛЬТЕТ ЭКОНОМИКИ И УПРАВЛЕНИЯ КАФЕДРА ФИЛОСОФИИ И ПРАВА Реферат к кандидатскому экзамену «История и философия науки» (раздел «История отрасли науки») ТЕХНИЧЕСКИЕ НАУКИ Тема: История развития искусственного интеллекта Выполнил: аспирант Рогачев А.В. Кафедра: ТМС Специальность: 2.5.6. Технология машиностроения Первичная экспертиза: Науч. руководитель доц. Фролов Е.М. Проверил: Волгоград, 2023 Содержание Введение ................................................................................................................... 3 1. Появление компьютеров..................................................................................... 4 2. Ранние работы в области искусственного интеллекта .................................... 6 3. Эволюция ИИ в последние десятилетия ......................................................... 14 4. Практическое применение искусственного интеллекта ............................... 17 4.1. Машиностроение ................................................................................... 17 4.2. Искусственный интеллект в университетах ........................................ 20 Заключение ............................................................................................................ 23 Введение Искусственный интеллект (ИИ) — это область компьютерной науки, которая изучает создание систем и программ, способных воспринимать, анализировать и использовать информацию для решения различных задач. Он был предметом увлечения исследователей во всем мире с момента своего возникновения, оказывая значительное влияние на нашу жизнь и изменяя способ взаимодействия между человеком и технологией. История развития искусственного интеллекта начинается в середине 20го века, когда появились первые концепции, такие как "машина Тьюринга" и "искусственные нейронные сети". В те времена исследователи видели ИИ прежде всего как средство автоматизации повторяющихся задач, таких как перевод языка или распознавание образов. Однако, в последние десятилетия искусственный интеллект претерпел огромные изменения, благодаря научным открытиям и развитию технологий, таких как "машинное обучение", "глубокое обучение" и "нейронные сети". Эти новые методы обучения позволяют ИИ извлекать более высокоуровневые функции из данных и использовать их для выполнения более сложных задач, таких как обработка естественного языка, анализ изображений и звука, а также для создания более интеллектуальных роботов и автономных систем. Искусственный интеллект нашел свое применение во многих областях, включая медицину, банковское дело, промышленность, автомобильную промышленность, сельское хозяйство и другие. Он используется для создания умных домов, автономных машин и роботов, а также для оптимизации процессов и управления сложными системами. В данном реферате рассматривается история развития искусственного интеллекта, начиная с его первых концепций и заканчивая самыми современными достижениями в этой 3 области. Представлено, как искусственный интеллект эволюционировал в течение последних десятилетий. Искусственный интеллект — это одна из самых интересных и перспективных областей в науке и технологии, и его значение только увеличивается. В данном реферате освещена его история, методы применения, а также возможности, связанные с его развитием. 1. Появление компьютеров Появление компьютеров существенно повлияло на развитие ИИ в последующие годы. Первые компьютеры появились в середине XX века, и их история тесно связана с развитием математики, электроники и технологии. Перед их появлением существовали механические вычислительные машины. Одной из ранних разработок был аналитический двигатель, разработанный английским математиком Чарльзом Бэббиджем в 1830-х годах [1]. Это было устройство на основе шестеренок и рычагов, предназначенное для автоматического выполнения математических вычислений. Хотя аналитический двигатель никогда не был построен, его концепция стала основой для будущих компьютеров. В 1930-е и 1940-е годы были созданы первые электромеханические компьютеры. Они использовали электрические реле и электромагниты для выполнения вычислений и хранения информации. Одним из таких устройств был компьютер Harvard Mark I, созданный Говардом Эйкеном и командой IBM в 1944 году. Он был использован для решения математических и научных задач, таких как вычисление траекторий артиллерийских снарядов. В конце 1940-х годов были разработаны первые электронные компьютеры, использующие вакуумные трубки для выполнения вычислений [2]. 4 Ключевыми примерами являются: • ENIAC (Electronic Numerical Integrator and Computer): Создан Джоном Маухли и Джоном Преспером Эккертом в 1946 году, ENIAC стал первым полностью электронным компьютером и использовал около 18 000 вакуумных трубок. Он в основном использовался для военных и научных вычислений. • EDVAC (Electronic Discrete Variable Automatic Computer): Разработан в 1949 году, EDVAC был одним из первых компьютеров, использующих двоичную систему и хранилище программ. Его разработка стала основой для многих последующих компьютеров. • Manchester Mark 1: Созданный в Британском университете Манчестер в 1948 году, этот компьютер был одним из первых, который использовал принцип хранения программы, предложенный английским математиком и логиком Аланом Тьюрингом. Следующей вехой развития электронных компонентов в целом, стало изобретение транзистора в 1947 году. Транзистор — это электронное устройство, которое может быть использовано в качестве усилителя сигнала или переключателя. Он был разработан в лаборатории Bell Labs Джоном Бардином, Уильямом и Уолтером Брэттономи. Первый транзисторный компьютер, TRADIC (Transistorized Digital Computer), был создан в 1954 году в лаборатории компании Bell Labs. Этот компьютер использовал транзисторы вместо ламп и был гораздо более компактным и энергоэффективным, чем предыдущие компьютеры. В 1950-х и 1960-х годах транзисторные компьютеры стали все более распространенными, и они были использованы для решения различных задач, от бизнеса и науки до военных исследований. Они были более компактными, надежными и быстродействующими, чем предыдущие компьютеры. В это же время компьютеры стали использоваться для обработки данных в научных и инженерных расчетах. В этот период 5 появились первые языки программирования, такие как FORTRAN и COBOL, которые позволили создавать более сложные программы. С конца 1960-х годов компьютеры становились все более мощными и доступными, что существенно способствовало развитию искусственного интеллекта. Были разработаны новые модели и алгоритмы, позволяющие компьютерам решать более сложные задачи и приближаться к уровню человеческого интеллекта. Это привело к созданию новых приложений, таких как системы распознавания речи и образов, системы автоматического перевода и экспертные системы. Кроме того, были разработаны новые языки программирования и инструменты для разработки ИИ-систем. Развитие компьютеров заложило основы для дальнейшего развития ИИ в следующие десятилетия. 2. Ранние работы в области искусственного интеллекта Искусственный интеллект — это область науки и технологии, которая занимается созданием программ и машин, способных выполнять задачи, обычно требующие человеческого интеллекта. Это включает в себя такие вещи, как распознавание образов, речи, планирование, принятие решений и многое другое. Идея создания машин, которые могут думать, появилась задолго до того, как появились компьютеры, но научное исследование в этой области началось только в середине 20 века. В этой главе мы рассмотрим ранние работы в области искусственного интеллекта. В первой половине 20-го века научная фантастика ознакомила человечество с идеей искусственно интеллектуальных роботов [3]. К 1950-м годам появилось новое поколение ученых, математиков и философов, которые стремились создать и разработать технологии искусственного интеллекта. Один из таких людей - молодой британский ученый Алан Тьюринг - исследовал математическую возможность искусственного интеллекта. Тьюринг предположил, что если люди используют доступную 6 информацию для решения проблем и принятия решений, то почему бы машинам не сделать то же самое? Эта логическая концепция была основой его статьи "Вычислительные машины и разум" (1950), в которой он обсудил, как создавать интеллектуальные машины и как проверять их эффективность. Первые исследования в области ИИ были связаны с логикой и символьной обработкой информации. В 1950 году математик Джон фон Нейман и логик Леонард Моус получили грант от Рокфеллеровского фонда на исследование машин, способных к символьной обработке информации [4]. Это была первая научная работа, посвященная созданию машин, способных думать, и она считается одной из первых работ в области искусственного интеллекта. Они представили свою концепцию универсальной вычислительной машины, названную MANIAC (Mathematical Analyzer, Numerical Integrator, and Computer). Эта машина была способна к символьной обработке информации, а не только к вычислениям, что было крайне необходимо для решения сложных задач. Их работа оказала большое влияние на развитие искусственного интеллекта, поскольку они сформулировали концепцию символьной обработки информации, которая позволяла компьютерам решать задачи на уровне, более близкому к человеческому мышлению. Эта концепция послужила основой для развития экспертных систем, которые появились в 1970-х годах. Кроме того, фон Нейман и Моус также предложили идею использования логических систем для решения задач, названную Logical Theory Machine. Эта идея заложила основы для развития логического программирования и теории формальных систем, которые сегодня являются важной частью искусственного интеллекта. Один из первых успешных проектов в области искусственного интеллекта был создан в 1956 году на конференции в Дартмутском колледже [5]. Основной целью конференции было обсуждение того, как компьютеры могут быть использованы для моделирования интеллектуальных процессов и создания машин, способных мыслить подобно человеку. На конференции 7 было представлено множество идей и концепций, которые положили начало развитию искусственного интеллекта как наук. Одним из основных результатов конференции было создание понятия "искусственный интеллект" и определение основных направлений исследований в этой области. В рамках конференции также были представлены первые прототипы программ, которые могли решать математические задачи, играть в шахматы и обрабатывать естественный язык. Конференция в Дартмутском колледже стала отправной точкой для развития искусственного интеллекта как науки. В СССР отправной точкой в истории искусственного интеллекта нашей страны является начало работы семинара В МГУ под названием «Автоматы и мышление» А. А. Ляпунова, одного из основателей отечественной кибернетики. В нем приняли участие ведущие физиологи, лингвисты, психологи, математики – то есть уже в то время у нас практиковали системный подход к этой проблематике. В 1955 году Джон Маккарти, математик из Дартмутского колледжа, предложил создание языка программирования для ИИ, который стал известен как Лисп (Lisp). Лисп был первым языком программирования, специально разработанным для решения задач в области ИИ. ЛИСП был первым языком программирования, который позволял работать с символьными выражениями напрямую, без необходимости преобразования их в числа. Это позволило создать программы, способные решать задачи на уровне, более близкому к человеческому мышлению. Одной из особенностей ЛИСП является то, что он позволяет использовать рекурсию для описания алгоритмов. Это было новым подходом к программированию, который позволял создавать более элегантные и компактные программы. В СССР так же, как и за рубежом, в 1950-е годы наметились два основных направления в развитии искусственного интеллекта - нейрокибернетика, изучающая закономерности функционирования нейронов и нейронных образований, и кибернетика "черного ящика", которая 8 сосредоточена на реакции на входящие стимулы, а не на внутреннем устройстве мыслящего устройства. В 1957 году А. Н. Колмогоров и В. И. Арнольд доказали теорему, что любая непрерывная функция нескольких переменных может быть представлена в виде комбинации конечного числа функций меньшего числа переменных. Это доказательство позволило математически обосновать создание нейронных сетей фиксированной размерности с прямыми связями с определенным количеством "нейронов" на слоях ввода и вывода и активационными функциями. В Ленинграде в это время была создана программа АЛПЕВ ЛОМИ (Ленинградского отделения математического института им. Стеклова), которая занималась автоматическим решением логических задач и теорем. В эти годы появилось множество ярких имен, связанных с развитием ИИ, таких как М. Л. Цетлин, В. Н. Пушкин, М. А. Гаврилов, что позволяло говорить о существовании советской школы ИИ. В этом же году была создана первая нейронная сеть, названная "Розенблаттова перцептронная машина" — это одна из первых моделей искусственного нейронного сети, разработанная Фрэнком Розенблаттом. Она представляла собой модель, основанную на идее биологического нейрона, и была создана для решения задач классификации. Машина состояла из сети нейронов, каждый из которых имел несколько входов, на которые поступали сигналы. Каждый вход имел свой вес, который определял важность этого входа для общего результата. На выходе нейрона была функция активации, которая, в зависимости от входных сигналов, определяла, должен ли нейрон активироваться или нет. Перцептронная машина была обучена на основе принципа обратного распространения ошибки: ей давались обучающие примеры, и если результат ее работы не совпадал с ожидаемым, то веса входов и функции активации корректировались таким образом, чтобы уменьшить ошибку в будущем. Розенблаттова перцептронная машина была существенным шагом в развитии искусственных нейронных сетей и стала основой для создания 9 более сложных моделей, таких как многослойный перцептрон. Однако, перцептронная машина имела некоторые ограничения в своих возможностях, например, не могла решать задачи, которые не могут быть линейно разделены входами, что привело к затуханию интереса к ней на некоторое время. Тем не менее, ее разработка была важным шагом в развитии искусственного интеллекта и нейронных сетей. В 1959 году профессор ИИ из Стенфордского университета Артур Сэмуэл создал первую игру на основе искусственного интеллекта программу, которая играла в шашки на уровне человека. Для создания этой программы Сэмуэл использовал методы машинного обучения, используя обучающие данные для настройки параметров программы. Он также использовал технику, называемую "подрезание ветвей", которая позволяла исключать варианты ходов, которые могли привести к неудачному исходу. С помощью этой программы, Сэмуэл смог обучить компьютер играть в шашки на уровне, который мог соперничать с игроками-людьми. Важно отметить, что это была первая программа, которая могла играть в игру на уровне, который был близок к уровню человека. Эта программа стала милым ребенком для Сэмуэла, и он продолжал ее развивать и улучшать на протяжении многих лет. Благодаря своей работе над программой, Сэмуэл стал одним из основателей области машинного обучения и искусственного интеллекта. В 1960-х годах появились первые экспертные системы. Экспертные системы — это программное обеспечение, которое использует знания и опыт экспертов в определенной области для принятия решений и решения сложных задач. Первые экспертные системы были применены в научных исследованиях и были тесно связаны с исследованиями в области искусственного интеллекта. Одним из первых и наиболее известных примеров экспертной системы является система "Dendral", разработанная в Стэнфордском университете в 1965 году, и представляет собой плод совместных усилий специалистов по компьютерам и группы экспертов в 10 области химии. Эта система была способна идентифицировать сложные органические молекулы на основе данных, полученных из масс- спектрометра. В отличие от некоторых экспертных систем DENDRAL задумана не как «игрушка». Она не используется лишь для проверки теоретических основ экспертных систем, а реально применяется для определения химических структур. Написано более 20 научных работ по результатам работы системы DENDRAL с реальными задачами [6, 7]. ELIZA, созданная в 1963 году Джозефом Вейзенбаумом, была первой программой, которая имитировала разговор человека. Она использовала алгоритмы обработки естественного языка, чтобы вести диалог с пользователем, который мог задавать вопросы и получать ответы. ELIZA была разработана для имитации психотерапевта и использовала ключевые слова, введенные пользователем, чтобы формулировать вопросы и предоставлять соответствующие ответы. Например, если пользователь вводил фразу: "Я чувствую себя грустным", она могла ответить: "Почему вы чувствуете себя грустным?". При работе использовалась простая модель обработки естественного языка, которая основывалась на замене ключевых слов во входном предложении на соответствующие выражения в ответном сообщении. Это позволяло ей делать вид, что она понимает то, о чем говорит пользователь. ELIZA была очень популярна в свое время и вызвала большой интерес у исследователей в области искусственного интеллекта и обработки естественного языка. Она стала важным прорывом в развитии систем обработки естественного языка и чат-ботов, которые сегодня используются в различных областях, от банковского дела до клиентских сервисов. В 1966 году Институт искусственного интеллекта при Университете Эдинбурга создал первую систему ИИ для игры в шахматы. Эта система была способна играть на уровне начинающего игрока. 11 В последующие годы продолжались исследования в области искусственного интеллекта среди ключевых событий можно выделить следующие: 1) Создание языка программирования Prolog. Prolog (Programming in Logic) был разработан в 1972 году и стал одним из наиболее популярных языков для программирования экспертных систем. Он основан на логике предикатов и позволяет создавать программы, которые могут использоваться для решения сложных задач в различных областях, таких как медицина, финансы, промышленность и т.д. 2) Разработка системы под названием «MYCIN» в 1976 году, которая использовалась для диагностики заболеваний. Она основана на правилах, которые были разработаны на основе знаний экспертов в области медицины. Система MYCIN была одной из первых экспертных систем, которые использовались на практике. 3) Система SHRDLU, которая была разработана в 1972 году и использовалась для работы с естественным языком. Эта система была одной из первых, которая могла понимать и выполнять команды на естественном языке. 4) Разработки в области машинного перевода, которые позволяли компьютерам переводить тексты с одного языка на другой. В 1970-х годах были разработаны первые системы машинного перевода, которые использовались для перевода текстов на русский и английский языки. В 1980-х годах, после периода эйфории и ожиданий, связанных с первыми успехами в области искусственного интеллекта в 1960-х и 1970-х годах, наступила эпоха "зимы искусственного интеллекта". В процессе развития искусственного интеллекта было выявлено множество препятствий, которые нужно было преодолеть. Одним из наиболее значимых было отсутствие достаточной вычислительной мощности, чтобы делать что-то значительное: компьютеры не могли хранить достаточно информации или обрабатывать ее быстро. Для того, чтобы общаться, нужно знать множество 12 слов и понимать их значения во многих контекстах. Ханс Морэвек, докторант Маккарти в то время, заявил, что "компьютеры до сих пор слишком слабы, чтобы проявлять интеллект" [8]. С течением времени ученые стали терять терпение, финансирование сокращалось, и исследования шли очень медленно в течение десяти лет. Однако, несмотря на это, в 1980-х годах было сделано несколько важных достижений в области искусственного интеллекта, включая: развитие экспертных систем, которые используют знания экспертов в определенной области для решения сложных проблем, создание системы "KRR" (Knowledge Representation and Reasoning), которая позволяет компьютерам использовать знания и логику для решения проблем, развитие компьютерного зрения, которое позволяет компьютерам распознавать и анализировать изображения. В целом, 1980-е годы были периодом, когда искусственный интеллект начал развиваться в новых направлениях и получать новые инструменты и методы. Эти достижения стали основой для развития более продвинутых систем и технологий в будущем [9]. По иронии судьбы, в отсутствие государственного финансирования и публичной шумихи программы искусственного интеллекта процветали. Так, в 1990-е и 2000-е гг. были достигнуты многие из важнейших целей искусственного интеллекта. В 1997 г. действующий чемпион мира по шахматам, гроссмейстер Гари Каспаров потерпел поражение от компьютерной программы IBM Deep Blue [10]. Речь идет о матче, который состоялся между действующим чемпионом мира по шахматам Гарри Каспаровым и компьютерной программой. Этот матч был широко разрекламирован и привлек множество зрителей со всего мира. В первой партии матча Каспаров победил, но уже во второй партии Deep Blue одержала победу. В третьей партии Каспаров снова победил, но в четвертой и пятой партиях компьютерная программа вновь выиграла, что привело к поражению Каспарова в этом матче. Это 13 был первый проигрыш действующего чемпиона мира по шахматам компьютеру и огромный шаг в развитии искусственно-интеллектуальных программ принятия решений. Deep Blue была специально разработана для игры в шахматы и использовала мощные алгоритмы искусственного интеллекта для анализа и вычисления возможных ходов. Этот матч показал, что компьютеры могут превзойти человека в сложных интеллектуальных играх, и стал важным моментом в истории развития искусственного интеллекта. Он также способствовал развитию новых методов искусственного интеллекта, которые используются сегодня в различных областях, включая медицину, финансы и технологии. Таким образом, ранние работы в области ИИ были связаны с разработкой логических систем и языков программирования, созданием нейронных сетей и методов обучения с подкреплением, а также созданием программ, способных имитировать разговор человека и анализировать сложные данные, такие как химические соединения. Они были важным этапом в развитии ИИ и стали основой для дальнейших исследований и разработок в этой области. 3. Эволюция ИИ в последние десятилетия Эволюция искусственного интеллекта (ИИ) в последние десятилетия была очень быстрой и значительной. С развитием вычислительных мощностей и появлением новых технологий, исследователи и инженеры стали создавать более сложные и эффективные ИИ-системы, которые могут выполнять задачи, требующие интеллектуальной обработки данных. В настоящее время мы находимся в эпоху "больших данных", когда мы можем собирать огромные объемы информации, которые слишком громоздки для обработки человеком. Применение искусственного интеллекта в этом отношении уже оказалось достаточно успешным в нескольких отраслях, таких как технологии, банковское дело, маркетинг и развлечения. 14 В последние годы количество проектов в области искусственного интеллекта и машинного обучения значительно возросло по всему миру. За период с 2015 по 2017 годы число проектов, выполненных крупными компаниями, выросло в несколько раз - от 17 до 74. Общее количество таких проектов за три года составило 162 в 28 странах и 20 отраслях, причем в 85% случаев это были реализованные проекты, а в 15% - планы или тестовые внедрения в различных отраслях, кроме госструктур. Главными заказчиками таких проектов являются крупные бизнесы (85%). США занимает лидирующую позицию по количеству таких проектов, на втором месте расположились Великобритания и Индия, использующие эти решения в крупных инвестиционных банках. Множество исследований в области искусственного интеллекта проводится в технических университетах. Правительства многих стран вкладывают огромные средства из государственных бюджетов в развитие новых технологий на основе искусственного интеллекта, с целью достижения конкурентного преимущества в мировой экономике [11]. Одним из наиболее заметных прорывов в области ИИ было появление глубокого обучения (deep learning), которое стало возможным благодаря развитию нейронных сетей. Глубокое обучение использует многослойные нейронные сети, которые могут обрабатывать большие объемы данных и находить сложные закономерности в них [12]. Глубокое обучение (Deep Learning) — это метод машинного обучения, который использует нейронные сети в нескольких слоях (глубокие нейронные сети) для обработки и анализа больших объемов данных. Глубокое обучение является одним из подходов к реализации искусственного интеллекта и имеет огромный потенциал для решения различных задач в различных областях. Оно отличается от других методов машинного обучения тем, что позволяет создавать более сложные модели, которые могут обрабатывать большие объемы данных и выделять более высокоуровневые признаки. Например, глубокие нейронные сети могут использоваться для 15 распознавания образов, распознавания речи, анализа текстов, обработки видео и многих других задач. Одной из особенностей глубокого обучения является автоматическое извлечение признаков из данных. Это означает, что нейронные сети могут самостоятельно определять, какие признаки наиболее важны для решения задачи, и использовать их для обработки данных. Это позволяет создавать более универсальные модели, которые могут работать со многими типами данных. Глубокое обучение может быть использовано для решения различных задач, включая классификацию, регрессию, кластеризацию, анализ временных рядов и т.д. Одним из наиболее популярных применений глубокого обучения является компьютерное зрение, которое используется для распознавания образов и обработки изображений. Однако, глубокое обучение требует большого количества данных и вычислительных ресурсов для обучения моделей. Поэтому, разработка и использование глубокого обучения требует высокой квалификации специалистов и доступа к большим объемам данных и вычислительным ресурсам. Еще одним важным направлением развития ИИ является создание систем, которые могут анализировать естественный язык и общаться с людьми на естественном языке. Это позволяет создавать более эффективные чат-боты, переводчики, виртуальных помощников и другие приложения, которые используют естественный язык. В последние десятилетия ИИ также находит все большее применение в медицине и биологии. Это позволяет анализировать большие объемы медицинских данных, выявлять закономерности и предсказывать риски заболеваний. Также ИИ используется в биологических исследованиях, где он помогает анализировать генетические данные и разрабатывать новые методы лечения. 16 4. Практическое применение искусственного интеллекта 4.1. Машиностроение Применение искусственного интеллекта (ИИ) в машиностроении становится все более популярным и востребованным. Искусственный интеллект используется для решения различных задач в этой области, например, для улучшения производственных процессов, оптимизации дизайна и повышения эффективности оборудования. Применение искусственного интеллекта в машиностроении может значительно упростить и ускорить процесс проектирования изделий. Одним из основных методов применения ИИ в машиностроении является генеративный дизайн, который позволяет создавать сложные и оптимизированные детали и узлы за минимальное время. Генеративный дизайн (Generative Design) – это методология проектирования, основанная на использовании алгоритмов и искусственного интеллекта для создания оптимальных конструкций. Она позволяет сократить время проектирования, уменьшить количество ошибок и создать более эффективные изделия. Суть генеративного дизайна заключается в создании программного обеспечения, которое способно генерировать большое количество вариантов конструкций, учитывая заданные параметры и ограничения. Например, в процессе проектирования детали или механизма задаются параметры, такие как материал, масса, прочность и другие технические характеристики. На основе этих параметров программа генерирует множество вариантов конструкций, используя различные алгоритмы и методы оптимизации. После генерации конструкций происходит их анализ и выбор наиболее подходящего варианта, учитывая все заданные параметры и ограничения. В результате получается оптимальное решение, которое удовлетворяет всем требованиям. Применение генеративного дизайна в 17 машиностроении позволяет создавать более легкие, прочные и эффективные изделия, сокращать время проектирования и уменьшать количество ошибок. Также это позволяет повышать конкурентоспособность продукции и сокращать затраты на производство. С помощью генеративного дизайна машиностроители могут быстро создавать множество вариантов конструкций на основе заданных параметров, таких как требуемые характеристики и ограничения. Также ИИ может применяться для анализа данных, собранных в ходе экспериментов и испытаний. С помощью алгоритмов машинного обучения, системы могут анализировать огромные объемы данных и выявлять скрытые закономерности и зависимости. Это позволяет конструкторам более точно определять требования к конструкции и предсказывать ее поведение в различных условиях эксплуатации. Одним из примеров применения ИИ в машиностроении является разработка автомобильных деталей. Например, компания General Motors использует генеративный дизайн и машинное обучение для разработки оптимальных конструкций автомобильных деталей, таких как подрамники и крепления кузова. Это позволяет компании сократить время на проектирование, уменьшить затраты и повысить качество продукции. в США авиакомпания Airbus использует генеративный дизайн при проектировании компонентов для своих самолетов. Кроме того, генеративный дизайн применяется в машиностроении компаниями General Electric и Caterpillar. В Европе также есть примеры использования генеративного дизайна в машиностроении. Например, немецкая компания Volkswagen AG использует генеративный дизайн для создания легких и прочных компонентов автомобилей. Еще один пример - французская компания Alstom, которая занимается производством железнодорожной техники, использует генеративный дизайн для создания более эффективных и оптимизированных компонентов. 18 В России также есть компании, которые начали использовать генеративный дизайн в машиностроении. Например, компания «НПО «АЛМАЗ» применяет генеративный дизайн для создания оптимальных форм элементов лазерных установок, что позволяет значительно увеличить их эффективность и снизить стоимость производства. Еще одно применение ИИ в машиностроении — это оптимизация дизайна оборудования. С помощью алгоритмов машинного обучения и глубокого обучения, искусственный большое количество данных и интеллект определять может анализировать оптимальный дизайн оборудования с наилучшей эффективностью и надежностью. Это позволяет сократить затраты на исследования и разработку новых моделей оборудования, а также повысить качество их конструкции. Искусственный интеллект также используется для повышения эффективности работы оборудования. Например, с помощью анализа данных искусственный интеллект может предсказывать неисправности и сбои в работе оборудования, что позволяет предотвратить неполадки до их возникновения. Одной из наиболее популярных технологий, используемых для предсказания неисправностей, является машинное обучение на основе алгоритмов глубокого обучения и нейронных сетей. Такие алгоритмы могут обрабатывать большие объемы данных и выявлять сложные закономерности, что позволяет достичь высокой точности прогнозирования. Например, в статье "Machine learning for predictive maintenance: A multiple classifier approach" авторы рассматривают использование машинного обучения для предсказания неисправностей в производственном оборудовании [16]. Они предлагают метод множественного классификатора, который позволяет учитывать различные виды данных, такие как параметры оборудования и данные датчиков. Результаты экспериментов показали, что предложенный метод обладает высокой точностью использован для раннего выявления неисправностей. 19 и может быть 4.2. Искусственный интеллект в университетах Искусственный интеллект уже давно не является чем-то абстрактным и далеким от повседневной жизни. Он находит все большее применение в различных областях, включая университеты. В настоящее время в образовании ИИ используется для облегчения процесса обучения, а также для автоматизации рутинных задач, таких как проверка заданий и оценка результатов. Использование ИИ также позволяет персонализировать обучение для каждого студента, учитывая их потребности и предпочтения. Одной из наиболее интересных идей, связанных с использованием ИИ в университетах, является использование его для определения наиболее эффективных методов обучения. Так, российские ученые описывают, как системы на основе использования нейрофизиологии и обработки больших данных, выстраивает индивидуальную траекторию обучения каждого обучающегося [12, 13]. Алгоритмы машинного обучения могут анализировать данные о прошлых успехах и неудачах студента и определять, какой контент следует предоставлять в дальнейшем для оптимального обучения. Также важной областью применения ИИ в университетах является автоматизация процесса проверки заданий и оценки результатов. Это особенно актуально в свете растущего количества студентов и заданий, которые им необходимо проверить. В этом контексте исследователь В.В. Тарасенко описывает в своей статье «Применение методов искусственного интеллекта для автоматизации проверки заданий в университетах» использование ИИ для автоматической проверки заданий и выставления оценок. Среди примеров практического применения ИИ в университетах можно выделить следующие проекты: Проект "ИИ для учебных программ" в Университете Бейрутского Американского колледжа. В рамках проекта использовались алгоритмы машинного обучения для создания адаптивных 20 учебных курсов, которые могут настраиваться в зависимости от уровня знаний каждого студента. Проект "Использование ИИ для автоматизации проверки работ студентов" в Университете Альто. В рамках проекта использовались нейросети для автоматической классификации и распознавания объектов на изображениях, а также для анализа текстовых данных, таких как студенческие работы, на предмет выявления плагиата [16]. Использование искусственного применение интеллекта в университетах может также систем подбора индивидуальных рекомендательных для включать учебных планов, анализа данных об успеваемости студентов и оптимизации процессов обучения. Применение искусственного интеллекта в университетах России — активно развивающаяся область, которая находит все большее применение в образовательном процессе. Одной из задач, решаемых с помощью ИИ, является улучшение качества обучения студентов, а также упрощение и оптимизация работы преподавателей и научных сотрудников. Одним из примеров практического применения ИИ в университетах является использование систем аналитики данных и машинного обучения для улучшения учебного процесса. Например, в Московском физико- техническом институте (МФТИ) создана система аналитики данных "LMS Analytics", которая позволяет автоматически анализировать данные об успеваемости студентов, прогнозировать успеваемость и выявлять трудности в обучении. Аналитическая система позволяет преподавателям более точно оценивать знания студентов и давать рекомендации по повышению их успеваемости. Также ИИ активно применяется в научных исследованиях, проводимых в университетах. В России на данный момент работают множество проектов в области машинного обучения, например, в Московском государственном университете имени М.В. Ломоносова создана лаборатория компьютерного 21 зрения и машинного обучения, занимающаяся исследованием методов анализа изображений и обработки естественного языка. Одним из интересных примеров применения ИИ в университетах является использование роботов-ассистентов в учебном процессе. Роботассистент – это устройство, созданное на базе искусственного интеллекта, которое помогает учащимся и персоналу университета в решении различных задач. В Московском государственном техническом университете имени Н.Э. Баумана (МГТУ им. Баумана) был разработан робот-ассистент, который сейчас успешно используется в повседневной жизни университета. Робот является универсальным устройством, которое может выполнять различные задачи. Он может помочь студентам и персоналу университета найти нужный аудиторию или кабинет, показать схему проезда по кампусу, дать информацию о расписании занятий или ответить на другие вопросы. Робот также может работать с базами данных, предоставлять информацию о научных исследованиях университета и проводить экскурсии по кампусу. Основным его преимуществом является возможность обеспечения круглосуточной поддержки для всех, кто нуждается в помощи. Робот может помочь студентам и персоналу университета в любое время дня и ночи, что значительно облегчает процесс обучения и управления университетом. Разработка и внедрение робота-ассистента в МГТУ им. Баумана является одним из примеров успешного использования искусственного интеллекта в университетах России. Такие устройства могут значительно упростить жизнь студентам и персоналу, а также помочь университетам лучше управлять своими ресурсами и улучшить образовательный процесс в целом. 22 Заключение В заключении можно отметить, что история развития искусственного интеллекта началась еще в 1950-х годах и продолжается до сегодняшнего дня. За эти годы было сделано много важных открытий и достигнуто значительных прогрессов в различных областях, связанных с ИИ. Искусственный интеллект является одной из самых перспективных и быстроразвивающихся областей современной науки и техники. Применение ИИ находит свое применение в различных сферах, включая медицину, бизнес, производство, науку и многие другие. Одним из наиболее значимых достижений было создание системы Deep Blue, который в 1997 году победил в матче против действующего чемпиона мира по шахматам Гарри Каспарова. Этот матч показал, что компьютеры могут превзойти человека в сложных интеллектуальных играх и стал важным моментом в развитии ИИ. Сегодня искусственный интеллект применяется в различных областях, включая медицину, финансы, технологии, производство и т.д. Он помогает людям решать сложные задачи, ускоряет процессы и повышает эффективность работы во многих сферах. В целом, история развития искусственного интеллекта является историей технологического прогресса и инноваций, которые приносят много полезного для общества. 23 Список использованной литературы 1. Панасенков, Н. А. Эволюция машинного перевода: от аналитической машины Бэббиджа к нейросетям / Н. А. Панасенков // Индустрия перевода. – 2019. – Т. 1. – С. 9-13. – EDN CKPDQU. 2. Сарваров, А. А. Краткий обзор развития электронно-вычислительных машин и персональных компьютеров до наших дней / А. А. Сарваров, А. А. Хайдаршин, А. А. Миниахметов. — Текст : непосредственный // Юный ученый. — 2016. — № 3 (6). С. — 117-120. — URL: https://moluch.ru/young/archive/6/363/ (дата обращения: 31.03.2023). 3. Вознюк, П. А. История развития и современное состояние искусственного интеллекта / П. А. Вознюк // Globus: Технические науки. – 2019. – № 3(27). – С. 11-19. – EDN JEZKJL. 4. Харченко, А. Ю. Джон фон Нейман - один из создателей первых ЭВМ / А. Ю. Харченко // Международный студенческий научный вестник. – 2017. – № 2. – С. 65. – EDN YPSFRP. 5. Дартмутская конференция 1956: рождение ИИ [Электронный ресурс] // URL: https://cyberpedia.su/17x5d15.html (дата обращения 03.04.2023). 6. The dendral project: recent advances in computer- assisted structure elucidation / D. H. Smith, N. A. B. Gray, J. G. Nourse, C. W. Crandell // . – 1981. – Vol. 133, No. 4. – P. 471-497. – DOI 10.1016/S0003-2670(01)95414-5. – EDN XPLZQA. 7. Рыбина, Г. В. Экспертные системы и инструментальные средства для их разработки: некоторые итоги / Г. В. Рыбина // Информационноизмерительные и управляющие системы. – 2013. – Т. 11, № 5. – С. 35-48. – EDN QIUQEF. 8. Каспаров Г. Человек и компьютер: взгляд в будущее [Электронный ресурс] / Г. Каспаров. - Режим доступа: https://knizhnik.org/garrikasparov/chelovek-i-kompjuter-vzgljad-v-buduschee/1 24 9. Стрюкова, Е. П. Модели автоматизированных систем управления в СССР в 1950–1980-е гг / Е. П. Стрюкова // Гуманитарные науки в Сибири. – 2012. – № 4. – С. 70-73. – EDN PUKARH. 10. Коряжкин, А. Н. Проблема искусственного интеллекта: человек и машина / А. Н. Коряжкин, Т. В. Тарасова // Столыпинский вестник. – 2022. – Т. 4, № 8. – DOI 10.55186/27131424_2022_4_8_8. – EDN AANMFV. 11. Artificial Intelligence (AI) as a key factor in the digitalization of the global economy. [Электронный ресурс] // ИТ-бизнес. Журнал, 2017. - Режим доступа: https://www.crn.ru/news/detail.php? ID=117544 12. Чаткин, В. В. Различия между искусственным интеллектом, машинным обучением и глубоким обучением / В. В. Чаткин // Конкурентоспособность территорий : Материалы XXII Всероссийского экономического форума молодых ученых и студентов. В 5-ти частях, Екатеринбург, 22–26 апреля 2019 года / Ответственные за выпуск Я.П. Силин, Е.Б. Дворядкина. Том Часть 3. – Екатеринбург: Уральский государственный экономический университет, 2019. – С. 185-187. – EDN XMWOLK. 13. Сербиновская, Н. В. Искусственный интеллект, машинное обучение, глубокое обучение: взаимосвязь терминов в русском языке / Н. В. Сербиновская, А. М. Бабаев // Научная весна-2019: Технические науки, Шахты, 13–17 мая 2019 года. – Шахты: Институт сферы обслуживания и предпринимательства (филиал) Донского государственного технического университета в г. Шахты, 2019. – С. 140-148. – EDN XBVQVZ. 14. Мельникова, Е. В. Глубокое машинное обучение в оптимизации научно-исследовательской деятельности / Е. В. Мельникова // Научнотехническая информация. Серия 1: Организация и методика информационной работы. – 2023. – № 2. – С. 8-13. – DOI 10.36535/0548-00192023-02-2. – EDN CNOLRK. 25 15. Susto, Gian Antonio et al. “Machine Learning for Predictive Maintenance: A Multiple Classifier Approach.” IEEE Transactions on Industrial Informatics 11 (2015): 812-820. 16. Качалова, С. М. Проблема выявления плагиата в студенческих исследовательских работах / С. М. Качалова // Обнаружение заимствований : учебно-методическое пособие. – Липецк : Государственное автономное учреждение дополнительного профессионального образования Липецкой области "Институт развития образования", 2017. – С. 17-21. – EDN YLDYFO. 26
