Основы методов искусственного интеллекта

УДК 004.8
ББК 32.813
П32
Рецензенты:
кандидат технических наук А.С. Евтушенко, 
начальник управления обеспечения внедрения ТИМ ГБУ «Мосстройразвитие»; 
доцент, доктор технических наук М.М. Железнов, профессор кафедры 
информационных систем, технологий и автоматизации в строительстве НИУ МГСУ
 
Пиляй, Андрей Игоревич. 
П32	 	
Основы методов искусственного интеллекта  [Электронный ресурс]  : учебно-методическое пособие / А.И. Пиляй, Л.А. Адамцевич ; Минис-терство науки и высшего образования Российской Федерации, Национальный исследовательский Мос-ковский государственный строительный университет, кaфeдpa информационных систем, технологий 
и автоматизации в строительстве. — Электрон. дан. и прогр. (2,0 Мб). — Мос-ква : Издательство МИСИ – МГСУ, 2023. — URL: http://lib.mgsu.ru. — Загл. с титул. экрана.
ISBN 978-5-7264-3307-3 (сетевое)
ISBN 978-5-7264-3308-0 (локальное)
В учебно-методическом пособии содержатся указания к практическим занятиям и выполнению компьютерных практикумов по дисциплине «Основы методов искусственного интеллекта».
Для обучающихся бакалавриата по направлениям подготовки 09.03.02 Информационные системы и технологии, 01.03.04 Прикладная математика.
Учебное электронное издание
© ФГБОУ ВО «НИУ МГСУ», 2023

Учебное электронное издание
Пиляй Андрей Игоревич, Адамцевич Любовь Андреевна
ОСНОВЫ МЕТОДОВ
ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Учeбно-мeтодичecкоe поcобиe 
Редактор  Е.В. Трофимова
Корректор Я.А. Травкина
Верстка и дизайн титульного экрана Д.Л. Разумного 
Для создания электронного издания использовано:
Microsoft Word 2010, Adobe InDesign CS6, ПО Adobe Acrobat
Подписано к использованию 12.09.2023. Объем данных 2,0 Мб.
Федеральное государственное бюджетное образовательное учреждение
высшего образования 
«Национальный исследовательский 
Московский государственный строительный университет».
129337, Москва, Ярославское ш., 26.
Издательство МИСИ – МГСУ. 
Тел.: (495) 287-49-14, вн. 14-23, (499) 183-91-90, (499) 183-97-95.
E-mail: ric@mgsu.ru, rio@mgsu.ru

Оглавление
Введение..........................................................................................................................................................  5
Глава 1. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ...............................................................................................  5
Глава 2. НЕЧЕТКАЯ ЛОГИКА, НЕОПРЕДЕЛЕННОСТЬ........................................................................  7
Глава 3. ЭКСПЕРТНЫЕ СИСТЕМЫ............................................................................................................  8
Глава 4. АЛГОРИТМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА................................................................10
Глава 5. ЕСТЕСТВЕННО ЯЗЫКОВЫЕ СИСТЕМЫ...................................................................................12
Глава 6. МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, ПРИМЕНЯЕМЫЕ В РАМКАХ 
РЕШЕНИЯ ЗАДАЧ..........................................................................................................................13
Глава 7. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ.......................................................................................43
Глава 8. НЕЙРОДИНАМИЧЕСКОЕ ПРОГРАММИРОВАНИЕ...............................................................48
Глава 9. ЭТАПЫ РЕШЕНИЯ ЗАДАЧ ПРИ ПОМОЩИ НЕЙРОННЫХ СЕТЕЙ......................................51
Глава 10. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СТРОИТЕЛЬСТВЕ......................52
Список рекомендованной литературы ........................................................................................................60
Библиографический список...........................................................................................................................60

ВВЕДЕНИЕ
Материалы, представленные в учебно-методическом пособии, предназначены для изучения и практического применения методов искусственного интеллекта. Учебное издание позволяет самостоятельно получить более глубокие знания в предметной области, и может быть 
использовано в качестве справочной поддержки при выполнении компьютерных практикумов по дисциплине «Основы методов искусственного интеллекта». Для самоконтроля осваиваемых предметных знаний присутствуют вопросы для самопроверки. 
Глава 1. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Искусственный интеллект (ИИ) относится к области моделирования человеческого интеллекта в машинах, которые запрограммированы думать и действовать как люди. ИИ включает в  себя разработку алгоритмов и  компьютерных программ, которые могут выполнять 
задачи, обычно требующие человеческого интеллекта, такие как визуальное восприятие, распознавание речи, принятие решений и языковой перевод. 
ИИ — это междисциплинарная область, включающая информатику, математику, инженерию, психологию и лингвистику. ИИ охватывает ряд технологий, включая машинное обучение, 
глубокое обучение, обработку естественного языка, робототехнику и компьютерное зрение. 
Машинное обучение — это область ИИ, которая включает использование методик, позволяющих машинам учиться на данных без непосредственного программирования алгоритмов 
решения конкретной задачи, применяя универсальные методы. Большинство современных 
методов машинного обучения тем или иным образом сводятся к теории вероятностей и математической статистике.
Глубокое обучение — это область машинного обучения, включающая использование нейронных сетей, которые моделируются по структуре и функциям человеческого мозга, для анализа и изучения больших объемов данных. 
ИИ имеет множество приложений в различных отраслях, включая здравоохранение, финансы, транспорт и производство. 
Например, в здравоохранении ИИ можно использовать для анализа медицинских изображений, прогнозирования исходов заболеваний и разработки индивидуальных планов лечения. 
В промышленности развиваются следующие направления применения ИИ: 
–– сбор деталей, который робот может осуществить самостоятельно после обучения;
–– замена консультантов — обеспечение ответов на типовые вопросы, возможность обучения ИИ, усложнение алгоритма общения и др.
В образовании системы ИИ используют для адаптивного обучения студентов, когда система отслеживает успеваемость студента и адаптирует программу курса под способности студента. В сельском хозяйстве также используется ИИ, например при автоматизации орошения культур. В дорожном движении ИИ используют для борьбы с «пробками».  Самым ярким 
примером использования ИИ в быту является система «умный дом». 
Применение ИИ отмечается и в строительной отрасли. Рассмотрим наиболее яркие примеры:
1. Одними из наиболее перспективных технологий Индустрии 4.0 в строительной отрасли являются технологии информационного моделирования (или BIM — building information 
modelling) [1–4]. Для их развития используют интеллектуальные функции, управляемые ИИ. 
По сути, это генеративное проектирование (генеративный дизайн), где ИИ, создавая итерационные модели, выбирает лучшие.
2. Использование методов машинного обучения на стройке позволяет своевременно выявлять риски и не допускать ЧС за счет аналитики данных по уже произошедшим инцидентам. 
3. Мониторинг хода строительства может быть осуществлен с использованием систем ИИ. 
Например, для захвата трехмерных «облаков точек» используются роботы, автономно перемещающиеся по строительной площадке. 

Вместе с  тем, хотя ИИ может революционизировать/модернизировать многие аспекты 
жизнедеятельности человека, существуют опасения относительно влияния ИИ на занятость, 
конфиденциальность и безопасность.  Поэтому важно развивать и внедрять этичные и ответственные методы искусственного интеллекта. 
Существуют различные типы искусственного интеллекта, основанные на их возможностях и на том, как они запрограммированы на обучение и решение проблем. 
Вот некоторые из наиболее часто встречающихся типов ИИ:
•• ИИ, основанный на правилах. Этот тип ИИ программируется с помощью набора предопределенных правил и утверждений «если — то». Эти правила определяют, как ИИ должен 
вести себя в конкретных ситуациях. ИИ на основе правил обычно используется для узких, 
специфических задач, где правила могут быть четко определены и не часто меняются.
•• Машинное обучение. Этот тип ИИ предполагает создание алгоритмов на больших массивах данных, в том числе позволяет ИИ учиться на собственном опыте. Алгоритмы машинного обучения могут быть контролируемыми, неконтролируемыми или полуконтролируемыми.
•• Контролируемое обучение (supervised learning). В контролируемом обучении модель 
обучается на основе размеченных данных, где каждый пример входных данных имеет соответствующую метку или выходной параметр. Алгоритмы машинного обучения используют эти размеченные данные для нахождения связи между входными данными и целевыми 
переменными, чтобы предсказать правильные метки для новых, ранее не виденных примеров данных.
•• Неконтролируемое обучение (unsupervised learning). В неконтролируемом обучении модель обучается на неразмеченных данных, то есть данных без явных меток. Задача неконтролируемого обучения заключается в обнаружении скрытых шаблонов, структур или кластеров 
в данных. Алгоритмы машинного обучения самостоятельно находят внутренние зависимости 
и структуры в данных без явного учителя.
•• Полуконтролируемое обучение (semi-supervised learning). В полуконтролируемом обучении модель обучается на данных, в которых только некоторая часть примеров имеет метки. Это сочетание контролируемого и неконтролируемого обучения. При использовании полуконтролируемого обучения модели стремятся использовать информацию из размеченных 
и неразмеченных данных, чтобы лучше обобщать и сделать более точные предсказания.
•• Обучение с подкреплением (reinforcement learning). Это другой вид обучения, в котором 
модель обучается на основе опыта взаимодействия с окружающей средой. Агент (алгоритм) 
принимает решения в определенной среде и получает награду или штраф в зависимости от 
своих действий. Целью алгоритма является нахождение оптимальной стратегии действий, которая максимизирует получаемую награду в долгосрочной перспективе.
Таким образом, обучение с учителем относится к контролируемому обучению, а неконтролируемое обучение не имеет прямого аналога в рамках обучения с подкреплением. 
Важно отметить, что классификация алгоритмов машинного обучения как контролируемых, неконтролируемых или полуконтролируемых не является строгой и часто существует 
перекрестное использование методов и подходов в различных задачах. Кроме того, в последние годы появились и другие типы обучения, такие как обучение с подкреплением от эксперта (imitation learning) и обучение без учителя с подкреплением (unsupervised reinforcement 
learning), которые сочетают элементы разных типов обучения.
•• Глубокое обучение. Это подмножество машинного обучения, которое включает в себя обучение нейронных сетей с несколькими слоями. Алгоритмы глубокого обучения созданы по 
образцу структуры и функций человеческого мозга, они способны обучаться на больших объемах данных и делать высокоточные прогнозы.
•• Обработка естественного языка (NLP). Предполагает предоставление машинам возможности понимать и интерпретировать человеческий язык. Алгоритмы NLP реализуют такие методы, как машинный перевод, анализ настроения и распознавание речи для анализа 
и понимания человеческого языка.

•• Компьютерное зрение. Этот тип ИИ позволяет машинам интерпретировать и понимать 
визуальную информацию. Алгоритмы компьютерного зрения могут анализировать изображения и видео, распознавать объекты и лица, выявлять закономерности и аномалии.
•• Робототехника. Это отрасль ИИ, которая включает в себя проектирование и программирование роботов для выполнения определенных задач. Робототехника может использоваться в различных отраслях, включая производство, здравоохранение и логистику.
•• Общий ИИ, также известный как сильный ИИ. Это гипотетическая концепция создания системы ИИ, способной выполнять любую интеллектуальную задачу, которую может решить человек. 
В целом, различные типы ИИ могут использоваться по отдельности или в сочетании друг 
с другом для создания мощных и сложных систем ИИ, способных решать все более сложные 
задачи. Каждый тип ИИ имеет свои сильные стороны и ограничения, и выбор того или иного 
типа зависит от конкретной задачи и контекста, в котором он будет использоваться.
Вопросы для самоконтроля
1. Что такое ИИ?
2. Приведите примеры применения ИИ в строительстве.
3. Что такое машинное обучение?
4. Что такое глубокое обучение?
5. Где используется компьютерное зрение?
6. Что включает в себя робототехника?
7. Перечислите различные типы ИИ.
8. Что такое NLP?
9. В каких отраслях применяют ИИ?
Глава 2. НЕЧЕТКАЯ ЛОГИКА, НЕОПРЕДЕЛЕННОСТЬ
Нечеткая логика (fuzzy) — это математическая основа для работы с неопределенностью и неточностью. Она основана на идее о том, что между двоичными значениями «истина» и «ложь» 
существует множество степеней истинности. Нечеткая логика допускает частичные истины, 
а не абсолютные, и она особенно полезна при работе со сложными и неопределенными системами. В традиционной логике утверждение может быть либо истинным, либо ложным, и нет 
никакой середины. В отличие от нее, нечеткая логика допускает постепенную истинность или 
ложность утверждения со степенью принадлежности от 0 до 1. Например, утверждение «на улице жарко» может быть истинным в разной степени, в зависимости от температуры и толерантности человека к жаре. Нечеткая логика особенно полезна в системах, где входы и выходы неточны или неоднозначны. Например, в системе климат-контроля установка температуры может 
быть нечеткой, с такими вариантами, как «тепло», «прохладно» или «комфортно». Нечеткая логика может быть использована для преобразования этих неточных входных данных в точные 
выходные, такие как конкретные настройки температуры. Одним из преимуществ нечеткой логики является то, что она позволяет включать в системы экспертные знания и интуицию. В ситуациях, когда данные неполные или ненадежные, эксперты могут предоставить исходные данные и руководство, чтобы помочь системе принимать более обоснованные решения.
Нечеткая логика является особенно полезным инструментом в искусственном интеллекте для работы с неопределенностью и неточностью. В ИИ неопределенность возникает при 
наличии неполных или неоднозначных данных, или когда существует несколько возможных 
исходов для данной ситуации. Нечеткая логика позволяет включить неопределенность в системы ИИ. Допуская частичную истину и степень принадлежности, нечеткая логика может 
помочь системам ИИ принимать более тонкие и точные решения даже в ситуациях, когда данные неполные или неоднозначные. 
Одним из примеров использования нечеткой логики в ИИ являются системы распознавания изображений. Изображения часто бывают сложными и неоднозначными, с множеством 
возможных интерпретаций.