"Машина основывается на имеющихся данных и только. Пусть количество этих данных будет великО, а качество -- сложнО...
Но машина в состоянии решить только известные ей поблемы. Те, для которых в нее уже заложены алгоритмы решения. Но решить незнакомую задачу она не сможет."
Разрешите категорически не согласиться. По всей видимости, подобное мнение формируется на основе опыта использования имеющихся на рынке инструментов/девайсов, которые, увы, тупы как пробки. Но это проблема девайсов и их производителей.
Все дело в том, что в большинстве своем эти инструменты построены на основе императивного программирования -- разработчик задает в программе жесткий алгоритм решения задачи. Поэтому такая программа не может
- решить задачу другим способом
- или обработать не предусмотренные программистом при разработке входные данные.
Ах, да! Еще вы можете кусочки чужих решений всовывать в свои решения :) Прямо как в LEGO!
Если это ваш идеал (как разработчика) -- не стоит читать остаток статьи. Не тратьте время, не тревожьте душу! Ступайте и плодите такой софт себе на здоровье! Кришна вам в помощь.
А с оставшимися мы продолжим дальше.
Итак, еще на заре вычислительной техники группа инициативных товарищей таки хотела научить машину мыслить "аки человеце".
Конечно, они были весьма не удовлетворены императивным подходом и обратили свою неудовлетворенность в другую сторону.
В сторону декларативного программирования и символьного ИИ. В данном подходе разработчик с помощью специального языка описывает:
- саму решаемую задачу (например, бот должен убить врагов)
- и знания, которые могут помочь в поиске решения (доступные для бота действия и то, как они влияют на него и окружающих).
В таких архитектурах неизменными остаются только базовые алгоритмы работы со знаниями: дедукция, индукция, абдукция, ассоциация, введение ошибки... те самые, которые мы используем в жизни...
А входные данные, знания, поведение становятся переменной величинами. Своего рода, типами данных, с которыми можно делать все, что душе угодно.
В результате мы получаем большую гибкость. Например, система может решать задачу разными способами, в зависимости от исходных данных.
Бот может перестраивать последовательности действий по убиению врагов в зависимости от их действий.
Или разбивать целое на подзадачи.
Можно наделить ее способностью самообучаться -- выявлять закономерности в поступающей информации и на основе них изменять свое поведение. А в случае недостатка данных, выдвигать гипотезы и пытаться проверить их на практике.
В результате мы переходим на более высокий уровень абстракции (по-сравнению с императивным подходом). Тут программа уже работает с кусками алгоритмов и состояниями фрагментов объектной модели, как с типами данных!!! Это просто потрясающе!!!
Это резко расширяет класс задач, который может решить одна такая система. И, как следствие, ее вклад в общий прогресс, самооценку разработчика... И (надеюсь, когда-нибудь это случится) его зарплату ;)
Но ничего не дается даром. В данном случае приходится платить:
- производительностью, но только до тех пор, пока мы не найдем новые способы оптимизации работы таких систем. Конечно, более интеллектуальные, чем развертывание циклов или inline-подстановки вызовов функций!
- сложностью разработки. Есть проблема обучения такой системы. Ей ведь не скажешь, как нужно делать. Необходимо сконструировать ее знания так, чтобы она поступала нужным способом :)
А затем появились агенты и все стало еще веселее :)
