Искусственный интеллект

Тема: Искусственный интеллект.

1. Основные понятия и определения.
2. Основные направления развития искусственного интеллекта.
3. Функциональная структура использования систем искусственного интеллекта.

 

1

Искусственный интеллект  – область исследовательских  и прикладных разработок направленных на программно аппаратных средств, способных к решению таких задач, решение которых предполагает применение человеком своих интеллектуальных способностей.

Как отрасль науки  искусственный интеллект сразу  же разделился на два основных направления: нейрокибернетику и кибернетику «черного ящика». Основная идея нейрокибернетики, мыслящее устройство должно воспроизводить структуру человеческого мозга. Усилия нейрокибернетики были сосредоточены на создании элементов аналогичным нейронам, и их объединение функциональной системы, их принято называть нейросетями. В основу кибернетики «черного ящика» положен принцип противоположный кибернетики – не имеет значение какова структура мыслящего устройства, главное чтобы на заданные входные воздействия оно реагировало так же как человеческий мозг. Это направление на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютера. Искусственный интеллект является новой информационной технологией в решении задач на ЭВМ, и представляет программно аппаратные системы имитированные на компьютерное мышление человека. Методы искусственного интеллекта позволяют заложить в программные системы способность к самообучению и накапливать новой полезной в дальнейшем информации.

Этап решение задач на ЭВМ:

1. содержательная постановка задач;
2. формальная постановка задач;
3. разработка алгоритма;
4. написание программ;
5. получение программы на машинном языке;
6. акладка и тестирование;
7. эксплуатация;
8. анализ результатов.

История искусственного интеллекта:

1. 50-60е годы XX века – романтический период. В этот период были команды: машинные стихи, музыка, перевод, интеллектуальные игры;
2. 60-70е годы XX века – исследование методов решения задач (метод поиска решений);
3. 70-80е годы исследование методов представления знаний нужных для решения задач;
4. 80-90е года исследование методов приобретения знаний (передача их от человека от ЭВМ);
5. 90е года XX века осмысление новых идей и задач.

Постоянные проблемы:

1. начальный уровень знаний систем искусственного интеллекта, проблемы ее обучения человека и ее самообучение;
2. общение человека с систем искусственного интеллекта;
3. инструментальные средства – языка программирования для задач искусственного интеллекта.

 

 

 

2

Область применения;

1. доказательство теорем;
2. игры;
3. распознание образов;
4. принятие решений;
5. сочинение машиной музыки;
6. обработка данных на естественном языке;
7. обучающие сети (нейросети);
8. вербальные концептуальные обучения.

Направление развития искусственного интеллекта:

1. представление знаний и разработка систем основанных на знаниях – основное направление. Оно связано с созданием моделей баз знаний, образующих ядро экспертных систем;
2. игры и творчество – игровые интеллектуальные задачи;
3. разработка естественных языковых интерфейсов и машинных переводов;
4. распознавание образов – традиционное направление искусственного интеллекта, которому объекту ставится в соответствии матрицы признаков;
5. новые структуры компьютера – занимаются разработкой новых аппаратных решений, направленных на обработку символьных и логических данных;
6. интеллектуальные роботы – робот – это электромеханическое устройство, предназначенное для автоматизации человеческого труда;
7. специальное ПО – разработка специальных языков для решения невычислимых задач;
8. обучение и самообучение, ориентированное на автоматическое накопление знаний на основе анализа и обобщения данных.

 

 

 

3

1. Представляет собой совокупность средств, выполняющих программы (исполнительную системы), спроектированной с позиции эффективного решения задач.
2. Совокупность средств интеллектуального интерфейса, имеющих гибкую структуру, которая обеспечивает возможность адаптации в широком спектре конечных пользователей.
3. С помощью которых организуется взаимодействие первых двух, является база знаний (БЗ), обеспечивает исполнение вычислительными средствами первых двух комплексов целостной и независимой от обрабатывающих программ системы знаний о проблемной среде.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Тема: Модели и  методы решения задач.

1. Продукционная модель.

2. Семантическая модель.

3. Фреймовая модель.

4. Формальные логические (предикатные) модели.

 

Модели представления  знаний – это совокупность взаимосвязанных  средств формального описания знаний и оперирования этими описаниями.

При представлении знаний для использования в системе  возникает 2 вопроса:

1. что представлять?
2. как представлять?

Для этого существует множество моделей представления  знаний для различных предметных областей.

 

1

Продукционная модель является самой распространенной на практике в настоящее время. Способ описания знаний в виде:

Если «условие» то «действие».

При использовании продукционной модели БЗ состоит из набора правил, а программа, управляющая перебором правил называется машиной ввода.

2 способа использования  продукционных правил:

1) прямая цепочка рассуждений  (от данных к поиску цели);

2) обратная цепочка  рассуждений (от цели для её подтверждения к данным).

Продукционная модель часто  используется в экспертных системах.

Достоинства:

- наглядность;

- высокая модульность;

- лёгкость внесения  дополнений и изменений;

- простота механизма  логического вывода.

Недостатки:

- при большом количестве  правил вывод идёт очень долго;

- при большом количестве  правил их совокупность труднообозрима.

 

2

Семантическая сеть. «Семантическая»  означает смысловая.

Семантика – это наука  устанавливающая отношения между  символами и объектами, которые они обозначают, т.е. наука определяющая смысл знака.

Семантическая сеть –  это модель, в которой структура  знаний предметной области формализуется  в в идее ориентированного графа  с конечными вершинами и дугами.

Вершина графа обозначают понятие различных категорий: объекты, события, свойства. А дуги – это отношения между ними – это связи типа «это», «имеет частью», «принадлежит».

Существуют отношения  разных типов:

1. логические;
2. теоретико-множественные (часть-целое; множество-подмножество);
3. функциональные (количественные, временные и др.);
4. квантификационные (логические кванторы общности и существования; пример: много, несколько).

Классификация семантических  сетей:

1. по типам отношений:

- бинарные (в которых  отношениями связаны 2 объекта);

- эн-арные (в которых есть специальные отношения связаны более 2х понятий);

В зависимости от типа отношений различают квалификационные функциональные сети и сценарии. В  квалификационных сетях используется отношения структуризации:

- is-a (является; a является b для двух типов объектов a и b тогда и только тогда когда);

- has-part (имеет часть; позволяет разбивать информацию по уровням детализации).

 Функциональные сети  – это вычислительные модели  и сценарии – использует отношения  типа средства – результат,  орудие – действие.

2. сети бывают однородные (с одним типом отношений) и неоднородные.

Достоинства сетей:

1. знания хорошо структурированы;
2. структура понятна человеку.

Недостатки (смотри продукционную  модель).

 

3

Под фреймом понимается абстрактный образ или ситуация. Фрейм – минимально возможное описание сущности какого-либо события, ситуации, процесса или объекта. Фрейм – ассиативный список атрибутов. Фрейм имеет имя и состоит из слотов. Слоты – (щель) не заполненные нулевые позиции фрейма. Если у фрейма все слоты заполнены – это описание конкретных ситуаций. Различают фреймы образцы или прототипы хранящиеся в базе знаний и фреймы экземпляры которые создаются для отображения реальных ситуаций на основе доступных данных.

Модель фрейма:

(имя фрейма:

Имя слота1 (значение слота1);

Имя слота2 (значение слота2);

…

Имя слотаN (значение слота N)).

Значение слота может  быть практически что угодно (числа, тексты, ссылки на другие слоты и  т.д.)

Пример:

(список студентов:

Фамилия (Фрикацел – Матросов – Янул – Роман);

Год рождения (1992 – 1992 – 1991 – 1992);

Пол (М – М – М  – Ж);

Национальность (рус. –  рус. – гагауз – молд.)).

Достоинства:

1. способность поражать концептуальную основу организации памяти человека;
2. гибкость и наглядность.

Недостатки (смотри продукционную  модель).

 

4

Все предметы и события, которые составляют основу общего понимания необходимых для решения информационной задачи называется предметной областью. Мысленно предметная область представляется состоящих из реальных или абстрактных объектов называется сущностями. Сущность предметной области находится в определенном отношение друг к другу, которые так же можно рассматривать как сущности и включается в предметную область. Отношение между сущностями выражается с помощью суждений. Суждение - мысленно возможная ситуация, которая может иметь место для предъявляемых сущностей или не имеющие место. Языки предназначенные для описание предметных областей наз. языками представления знаний. Описание предметных областей, выполненные в логических языках называются формальными логическими моделями.

Логические модели представления  знаний основана на алгебре высказываний и предикатов. Эта логическая модель применима в основном в исследовательских  системах. Логические модели удобны для  представления логических взаимосвязей между фактами. Они строги, для их использования имеется удобный, адекватный инструментарий.

Пример: возьмем утверждение: «инфляция в стране превышает прошлогодний уровень в 2 раза ». это можно записать в виде классической модели:

r (infnew, infold, n), где

infnew – текущая инфляция в стране

infuld – инфляция в прошлом году

r (x,y) отношение вида «x=ny»

Тогда можно рассматривать  истинные и ложные предикаты.

r (infnew, infold, 2) = 1 истинный предикат

r (infnew, infold, 3) = 0 ложный предикат

 

 

 

Тема: Экспертные системы.

1. Экспертные системы, базовые понятия.
2. Классификация ЭС.
3. Назначение ЭС.
4. Структура ЭС.
5. Условия разработки ЭС.
6. Этапы разработки ЭС.
7. Представление знаний в ЭС.
8. Методы поиска решений в ЭС.

 

1

Экспертная система  – это программа, которая в  определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области.

Экспертная система  – это система, которая использует человеческие знания, встраиваемые в  компьютер для решения задач, которые обычно требуют человеческое экспертизы.

Экспертная система – сложные программные комплекты анализирующие знание специалиста в конкретных областях и тиражирующие этот опыт для консультации менее квалифицирующих пользователей.

Экспертные системы  предназначены для решения практических задач, возникающих в слабо структурных и трудноформируемых предметных областях.

Основные особенности  ЭС:

1. результаты работы сравнимы с результатами работы человека – эксперта;
2. «прозрачность» решения;
3. открытая совокупность знаний.

 

2

- по классам решаемых  задач:

1. интерпретация данных. Описание/объяснения ситуации. Под интерпретацией понимается определение смысла данных, результаты которого должно быть скорректированными и согласованными;
2. диагностика. Выявление неисправностей через наблюдение, позволяет с единых позиций рассматривать неисправность оборудования в технических системах, заболевание живых организмов;
3. мониторинг – описывание ситуаций в реальном времени;
4. проектирование – разработка объектов, удовлетворяемых определенным требованиям, подготовка доказательств на создание объектов с заранее определенными свойствами;
5. прогнозирование – выявление последствий данной ситуации, логических вывод вероятностей из заданных ситуаций;
6. планирование – нахождение планов действий применимых к моделям поведения реальных объектов;
7. системы обучения – диагностирует ошибки.