ло полів на дошці, зазвичай грає краще свого супротивника, не надав значення цим елементам гри. Описані критерії хорошої гри зберігають свою силу протягом всієї гри, але є й інші критерії, які відносяться до окремих її стадій - дебюту, міттендшпілю, ендшпілю.
Розумно поєднуючи такі критерії (наприклад, у вигляді лінійної комбінації з експериментально підбираються коефіцієнтами або складнішим чином), можна для оцінки чергового ходу машини одержати деякий числовий показник ефективності - оцінну функцію. Тоді машина, порівнявши між собою показники ефективності чергових ходів, вибере хід, відповідний найбільшому показнику. Подібна автоматизація вибору чергового ходу не обов'язково забезпечує оптимальний вибір, але все ж це якийсь вибір, і на його основі машина може продовжувати гру, удосконалюючи свою стратегію (образ дії) у процесі навчання на минулому досвіді. Формально навчання полягає в підстроюванні параметрів (Коефіцієнтів) оцінної функції на основі аналізу проведених ходів і ігор з урахуванням їх результату.
На думку А. Самуеля, машина, що використовує цей вид навчання, може навчитися грати краще, ніж середній гравець, за відносно короткий період часу.
Можна сказати, що всі ці елементи інтелекту, продемонстровані машиною в процесі гри в шашки, повідомлені їй автором програми. Частково це так. Але не слід забувати, що програма ця не є "жорсткою", заздалегідь продуманої у всіх деталях. Вона вдосконалює свою стратегію гри в процесі самонавчання. І хоча процес "мислення" у машини істотно відмінний від того, що відбувається в мозку, що грає в шашки людини, вона здатна у нього виграти.
Яскравим прикладом складної інтелектуальної гри донедавна були шахи. У 1974р. відбувся міжнародний шаховий турнір машин, забезпечених відповідними програмами. Як відомо, перемогу на цьому турнірі здобула радянська машина з шаховою програмою "Каїсса".
Чому тут вжито "до недавнього часу"? Справа в тому, що недавні події показали, що, незважаючи на досить велику складність шахів, і неможливість, у зв'язку з цим провести повний перебір ходів, можливість перебору їх на велику глибину, ніж зазвичай, дуже збільшує шанси на перемогу. Приміром, за повідомленнями у пресі, комп'ютер фірми IBM, який переміг Каспарова, мав 256 процесорів, кожний з яких мав 4 Гб дискової пам'яті і 128 Мб оперативної. Весь цей комплекс міг прораховувати більш 100'000'000 ходів у секунду. До Донедавна рідкістю був комп'ютер, який може робити таку кількість цілочисельних операцій в секунду, а тут ми говоримо про ходах, які повинні бути згенеровані і для яких прораховані оціночні функції. Хоча з іншого боку, цей приклад говорить про могутність і універсальності переборних алгоритмів.
В даний час існують і успішно застосовуються програми, що дозволяють машинам грати в ділові або військові ігри, що мають велике прикладне значення. Тут також надзвичайно важливо надати програмами властиві людині здатність до навчання і адаптації. Однією з найбільш цікавих інтелектуальних завдань, що також має величезне прикладне значення, є задача навчання розпізнавання образів і ситуацій. Рішенням її займалися і продовжують займатися представники різних наук - фізіологи, психологи, математики, інженери. Такий інтерес до завданню стимулювався фантастичними перспективами широкого практичного використання результатів теоретичних досліджень: читають автомати, системи ШІ, що ставлять медичні діагнози, проводять криміналістичну експертизу і т. п., а також роботи, здатні розпізнавати й аналізувати складні сенсорні ситуації.
У 1957р. американський фізіолог Ф. Розенблатт запропонував модель зорового сприйняття і розпізнавання - перцептрон. Поява машини, здатної навчатися поняттям і розпізнавати запропоновані об'єкти, виявилося надзвичайно цікавим не тільки фізіологам, але і представникам інших областей знання і породило великий потік теоретичних і експериментальних досліджень.
Перцептрон або будь-яка програма, що імітує процес розпізнавання, працюють у двох режимах: у режимі навчання і в режимі розпізнавання. У режимі навчання хтось (людина, машина, робот або природа), що грає роль учителя, пред'являє машині об'єкти і про кожного їх них повідомляє, до якого поняття (класу) він належить. За цим даними будується вирішальне правило, що є, по суті, формальним описом понять. У режимі розпізнавання машині пред'являються нові об'єкти (взагалі кажучи, відмінні від раніше пред'явлених), і вона повинна їх класифікувати, по можливості, правильно.
Проблема навчання розпізнаванню тісно пов'язана з іншою інтелектуальної завданням - проблемою перекладу з однієї мови на іншу, а також навчання машини мові. При досить формальної обробці та класифікації основних граматичних правил і прийомів користування словником можна створити цілком задовільний алгоритм для перекладу, скажімо наукового або ділового тексту. Для деяких мов такі системи були створені щ...
