Интеллектуальный анализ данных и обработка образной информации

Задача

· имеет языковые средства, с помощью которых можно ясно и определенно сформулировать что дано, что требуется получить,

· имеются также разнообразные средства, с помощью которых можно перейти от того, что дано, к тому, что требуется получить.

Проблема.

§ в принципе разрешима, но средства для ее выявления, формулирования и решения необходимо создать.

§ в проблеме не только не сформулированы исходные позиции - "дано и требуется получить", но даже нет языковых средств, с помощью которых это можно сформулировать.

§ отсутствуют или участникам неизвестны средства для разрешения проблемы.

§ неизвестен и сам состав участников.

Все это требуется найти или создать в процессе:

q выявления,

q формулирования и

q разрешения проблемы.

Задачи бывают хорошо и плохо определенные.

Хорошо определенная задача:

§ если решающий ее располагает каким-то способом узнать (или имеет хотя бы принципиальную возможность узнать), когда он решил данную задачу.

§ более формально: - хорошо определенной считается такая задача, для которой при ее заданном предполагаемом решении можно применить алгоритмический метод, позволяющий определить, является ли оно на самом деле решением.

Доказательство теорем в математике связано с хорошо определенными задачами, т.к. проверка доказательства носит алгоритмический характер.

В повседневной жизни большинство задач является плохо определенными: при выборе некоторой последовательности действий не всегда есть уверенность, что они окажутся наиболее эффективными в данных обстоятельствах.

Выбор хода в шахматах является (на данном этапе) плохо определенной задачей.

Для хорошо определенных задач, в принципе, существует некий алгоритмический метод их решения.

Представление задач всех классов не имеет единой формы.

Представление вычислительных задач

Включают переменные (идентификаторы): АХ, Х1, х, ПЛОЩАДЬ.

В качестве значений переменных выступают данные.

Форма представления вычислительной задачи:

зная М вычислить y1,y2, …,yn по x1,x2,…,xm,

где М, x1,x2,…,xm, y1,y2,…,yn - переменные.

Они имеют смысл, определенный их вхождением в задачу.

зная, вычислить и по имеют фиксированный смысл и не являются переменными. Придают формулировке задачи более естественный вид и отделяют переменные x1,x2,…,xm от y1,y2,…,yn.

x1,x2,…, xm -входные переменные или входы задачи.

y1,y2,…,yn - переменные, значения которых будут результатами задачи, их требуется вычислить, - это выходные переменные или выходы задачи.

М - переменная, значение которой выражает условия задачи.

С учетом представления знаний, следует иметь ввиду, что данные, являющиеся значением М, выражают знания, необходимые для решения задачи.

Примеры.

§ "Вычислить площадь треугольника по его трем сторонам"

зная треугольник вычислить S по а, b, с.

§ Задача "в заданной теории построить доказательство формулы, которая будет дана в качестве исходных данных задачи" представляется в виде

зная теория вычислить доказательство по формулам.

Другие задачи.

Не все вычислительные задачи сразу подходят под схему, предложенную выше.

Условиями задачи может быть определено: вычислить все изменения, которые являются следствием задания новых значений переменных х1, х2, … , хm.

Существует много задач совсем другого характера, в которых требуется выполнение некоторых действий. Например, «принести из самой дальней комнаты маленький зеленый ящик». Эта задача относится к задачам планирования.

Постановка задачи

Поставить задачу означает, прежде всего, понять условия задачи (т.е. удалить неполноту, избыточность, неоднородность), или, другими словами, найти соответствующее представление.

Одним из часто используемых типов представления является графическое.

Задача считается понятой только тогда, когда найдено такое представление, в котором все элементы задачи представлены без избыточности и многозначности.

Пространство поиска решений хорошо определено и, чаще всего, основная трудность решения уже выявлена.

Прагматика и семантика задачи представлены, в основном, в формализованном виде.

Задача становится более абстрактной и более строгой.

Можно говорить о задаче в замкнутой форме или о замкнутой формулировке задачи.

Распознаватели

Распознаватель делит множество всех мыслимых ситуаций на два непересекающихся подмножества: S и Ѕ.

Нервную сеть, решающую задачу распознавания, можно называть распознавателем, а состояние эффектора на выходе сети - состоянием распознавателя.

Распознаватель можно трактовать как классификатор с числом состояний n=2.

Число выходных состояний классификатора гораздо меньше, чем число входных состояний.

Классификаторы

Общие понятия, которые образуются не путем перечисления единичных объектов, входящих в него, а путем указания ряда признаков, объявляемых существенными, и отвлечения от остальных (несущественных) признаков, являются абстрактными понятиями.

Каждый классификатор отражает систему понятий, поэтому можно говорить, что иерархия классификаторов порождает иерархию понятий.

11. Формирование иерархических систем. Управление ассоциированием.

Как возникает иерархия

Вернемся снова к эволюции нервной системы. Может ли иерархия классификаторов возникнуть эволюционным путем? Очевидно, может, но при одном условии: если создание каждого нового уровня иерархии и его последующего расширения полезны животному в борьбе за жизнь. Из факта существования животных с высокоорганизованной нервной системой мы делаем вывод, что так оно и есть в действительности. Кроме того, изучая примитивных животных, мы видим, что система понятий, которые способна распознавать их нервная система, также весьма примитивна. Следовательно, в пользе нижайшего уровня иерархии классификаторов мы убеждаемся воочию.

Набросаем в общих чертах путь развития нервной системы. На начальных стадиях мы находим у животного всего несколько рецепторов. Число возможных способов связи между ними (соединений) относительно невелико и допускает прямой перебор. По методу проб и ошибок находится выгодное соединение. То, что выгодное соединение может существовать даже при очень малом числе нейронов, легко видеть на таком примере. Пусть есть всего два светочувствительных рецептора. Если они расположены на разных сторонах тела, то информация, которую они дают (разность освещенностей), достаточна, чтобы животное могло двигаться на свет или против света. Когда выгодное соединение найдено и осуществлено, допустим, с помощью одного промежуточного нейрона (такие нейроны называются ассоциативными), вся группа в целом может быть размножена. Так возникает система ассоциативных нейронов, регистрирующих, например, разности между освещенностями рецепторов и суммирующих эти разности (рис. 2.3).

Рис. 2.3. Простейшие типы связей между рецепторами

Может быть размножена также любая часть системы связанных нейронов, например, один или несколько рецепторов. Тогда возникает система связей типа изображенной на рис. 2.3,б. Схемы обоих типов образуют в совокупности первый уровень иерархии, основанный на понятиях суммы и разности освещенностей. Поскольку для корректировки движения животного очень важно регистрировать изменение освещенности в данной точке со временем, можно предположить, что на самых ранних стадиях должны появиться нейроны, срабатывающие при изменении освещенности в точке. Это может быть как рецептор, так и ассоциативный нейрон, связанный с одним или несколькими рецепторами. В общем виде можно охарактеризовать классификаторы первого уровня как регистрирующие суммы и разности возбуждений рецепторов в пространстве и времени.

Доказав свою полезность для животного, классификаторы первого уровня прочно входят в число его средств борьбы за существование. Тогда начинается следующая серия проб и ошибок: небольшое число классификаторов первого уровня (точнее, их выходных подсистем) связывается между собой в один пробный классификатор второго уровня, пока не получится полезное соединение. Затем оказывается полезным размножение этого соединения. Можно предположить, что на втором уровне иерархии — поскольку это касается органов зрения — появляются такие понятия, как граница между светом и тенью, средняя освещенность пятна, движение границы между светом и тенью и т. п. Таким же путем возникают и следующие уровни иерархии.

Набросанная нами схема наводит на мысль, что любая сложная система, возникшая в процессе эволюции по методу проб и ошибок, должна иметь иерархическую организацию. Действительно, не имея возможности перебрать все мыслимые соединения большого числа элементов, природа перебирает соединения из нескольких элементов, а найдя полезную комбинацию, размножает ее и использует как целое в качестве элемента, который может быть связан с небольшим числом других таких же элементов. Так и возникает иерархия. Это понятие играет огромную роль в кибернетике. Фактически всякая сложная система, как возникшая естественно, так и созданная человеком, может считаться организованной, только если она основана на некой иерархии или переплетении нескольких иерархий. Во всяком случае, до сих пор мы не знаем организованных систем, устроенных иначе.

Ассоциирование отождествляется с управлением рефлексами (это шире, чем условный рефлекс).
Управление рефлексами понимается как создание под действием индивидуального опыта любых переменных связей между состояниями классификаторов, фиксаторов представлений и эффекторов.
Такие связи называют ассоциациями представлений или ассоциациями.
Образование связей будем называть ассоциированием.

12. Методы поиска в иерархических пространствах.

Методы поиска в иерархических пространствах - методы, предназначенные для работы в областях большой размерности;

Методы поиска решения в иерархических пространствах обычно делятся на:

1) поиск в факторизованном пространстве,

2) поиск в фиксированном множестве пространств

3) поиск в изменяющемся множестве пространств.

3.2.1. Поиск в факторизованном пространстве

Во многих приложениях требуется найти все решения. Например -

постановка диагноза. Пространство называется факторизованным, если оно

разбивается на непересекающиеся подпространства (классы) частичными

(неполными) решениями. Причем по виду частичного решения можно определить,

что оно не приведет к успеху, т.е. что все полные решения, образованные из

него, не приведут к целевым решениям. Поиск в факторизованном пространстве

осуществляется на основе метола "иерархическая генерация-проверка". Если

пространство поиска удается факторизовать, то поиск даже в очень большом

пространстве можно организовать эффективно.

3.2.2. Поиск в фиксированном множестве пространств

Применение метода факторизации пространства ограничено тем, что для

ряда областей не удается по частичному решению сделать заключение о его

непригодности. Например задачи планирования и конструирования. В этих

случаях могут быть применены методы поиска, использующие идею абстрактного

пространства. Абстракция должна подчеркнуть важные особенности

рассматриваемой задачи, позволить разбить задачу на более простые подзадачи

и определить последовательность подзадач (план решения), приводящую к

решению основной задачи.

3.2.3. Поиск в изменяющемся множестве иерархических пространств

В ряде приложений не удается все решаемые задачи свести к

фиксированному набору подзадач. План решения задачи в данном случае должен

иметь переменную структуру и не может быть сведен к фиксированному набору

подзадач. Для решения подобных задач может быть использован метод

нисходящего уточнения. Этот метод базируется на следующих предположениях:

возможно осуществить частичное упорядочение понятий области, приемлемое для

всех решаемых задач;

решения, принимаемые на верхних уровнях, нет необходимости отменять на

более нижних.

13. Методы поиска в одном пространстве.

3.1. ПОИСК РЕШЕНИЙ В ОДНОМ ПРОСТРАНСТВЕ

Методы поиска решений в одном пространстве обычно делятся на:

· поиск в пространстве состояний (рассмотрим подробно),

· поиск методом редукции,

· эвристический поиск

· поиск методом "генерация-проверка".

3.1.1. Поиск в пространстве состояний

Задача поиска в пространстве состояний обычно формулируется в теоретико-графовой интерпретации.

Пусть задана тройка (S₀, F, S_Т), где S₀ - множество начальных состояний (условия задачи), F - множество операторов задачи, отображающих одни состояния в другие, S_Т - множество конечных (целевых) состояний (решений задачи).

Цель: определять такую последовательность операторов, которая преобразует начальные состояния в конечные.

Процесс решения в виде графа G=(Х, Y), где X={х₀, х_1,...} - множество (в общем случае бесконечное) вершин графа, состояний, а Y - множество, содержащее пары вершин (x_i, x_j), (x_i, x_j)ÎX. Если каждая пара (x_i, x_j) неупорядочена, то ее называют ребром, а граф - неориентированным. Если для каждой пары (x_i, x_j) задан порядок (направление), то пару (x_i, x_j) называют дугой (ориентированным ребром), а граф называют ориентированным (направленным). Вершины пары (x_i, x_j) называют концевыми точками ребра (дуги).

Поиск в пространстве состояний естественно представить в виде ориентированного графа. Наличие пары (x_i, x_j) свидетельствует о существовании некоторого оператора f (fÎF), преобразующего состояние, соответствующее вершине x_i, в состояние x_j. Для некоторой вершины x_i выделяем множество всех направленных пар (x_i, x_j)ÎY, т.ь. множество дуг, исходящих из вершины х_i, (родительской вершины), и множество вершин (называемых дочерними вершинами), в которые эти дуги приводят. Множество дуг, исходящих из вершины x_i, соответствует множеству операторов, которые могут быть применены к состоянию, соответствующему вершине х_i.

В множестве вершин X выделяют подмножество вершин Х₀ÍХ, соответствующее множеству начальных состояний (S_o),, и подмножество вершин Х_тÍX, соответствующее множеству конечных (целевых) состояний (S_Т). Множество Х_т может быть задано как явно, так и неявно, т.е. через свойства, которыми должны обладать целевые состояния.

Отметим, что граф С может быть задан явно и неявно. Неявное задание графа G стоит в определении множества Х₀ÍХ (соответствующего множеству начальных состояний) и множества операторов, которые, будучи применимы к некоторой вершине графа, дают все ее дочерние вершины.

Итак, граф G задает пространство состояний, т.е. пространство, в котором осуществляется поиск решения. Построение пространства осуществляется с помощью следующего процесса. Берется некая вершина х₀ÍХ, к ней применяются все возможные операторы, порождающие все дочерние вершины. Этот процесс называют процессом раскрытия вершин. Если получена целевая вершина, то она не раскрывается. Процесс построения пространства состояний заканчивается, когда все нераскрытые вершины являются целевыми, или терминальными (т.е. вершинами, к которым нельзя применить никаких операторов). В связи с тем, что пространство состояний может содержать бесконечное количество вершин, на практике процесс порождения пространства ограничивают либо временем, либо объемом памяти.

На практике требуется обеспечить полноту поиска, т.е. организовать поиск так, чтобы все целевые вершины были найдены, если они существуют. Надежным способом обеспечения полноты является полный перебор всех вершин. Для задания процесса перебора необходимо определить. порядок, в котором будут перебираться вершины графа. Обычно выделяют два основных способа поиска:

· поиск в глубину (сначала раскрывается та вершина, которая была построена самой последней). Рис.3.1.а

· поиск в ширину. (вершины раскрываются в том же порядке, в котором они порождаются.) Рис.3.1.б.

3.1.2. Поиск методом редукции

При поиске методом редукции решение задачи сводится к решению совокупности образующих ее подзадач. Этот процесс повторяется для каждой подзадачи до тех пор, пока каждая из полученного набора подзадач, образующих решение исходной задачи, не будет иметь очевидное решение. Процесс решения задачи разбиением ее на подзадачи можно представить в виде специального направленного графа G, называемого И/ИЛИ-графом; Каждой вершине этого графа ставится в соответствие описание некоторой задачи (подзадачи). В графе выделяют два типа вершин: конъюнктивные вершины и дизъюнктивные вершины.

Решение задачи при поиске методом редукции (при поиске в И/ИЛИ-графе) сводится к нахождению в И/ИЛИ-графе решающего графа.

Цель процесса поиска в И/ИЛИ-графе - показать, что начальная вершина разрешима, т.е. для этой вершины существует решающий граф. Определение разрешимой вершины в И/ИЛИ-графе можно сформулировать рекурсивно следующим образом:

Конечные (целевые) вершины разрешимы, так как их решение известно по исходному предположению.

Вершина ИЛИ разрешима тогда и только тогда, когда разрешима по крайней мере одна из ее дочерних вершин.

Вершина И разрешима тола и только тогда, когда разрешима каждая из ее дочерних вершин.

Решающий граф определяется как подграф из разрешимых вершин, который показывает, что начальная вершина разрешима (в соответствии с приведенным выше определением). На рис. 3.3. разрешимые вершины зачернены, а неразрешимые оставлены белыми.

Для графа И/ИЛИ, так же как для поиска в пространстве состояний, можно определить поиск в глубину и поиск в ширину как в прямом, так и в обратном направлении. На рис. 3.4. приведен пример поиска в ширину (рис. 3.4., а) и поиска в глубину (рис. 3.4., б). На рисунке вершины пронумерованы в том порядке, в котором они раскрывались, конечные вершины обозначены квадратами, разрешимые вершины зачернены, дуги решающего графа выделены двойными линиями.

3.1.3. Эвристический поиск

При увеличении пространства поиска методы слепого поиска требуют чрезмерных затрат времени и (или) памяти. Это привело к созданию эвристических методов поиска, т.е. методов, использующих некоторую информацию о предметной области для рассмотрения не всего пространства поиска, а таких путей в нем, которые с наибольшей вероятностью приводят .к цели. '

3.1.4.Поиск методом "генерация-проверка"

Процесс поиска может быть сформулирован в терминах "генерация-проверка". Для осуществления процесса поиска необходимо генерировать очередное возможное решение (состояние или подзадачу) и проверить, не является ли оно результирующим.

14. Методы поиска при неполных и неточных данных.

3.3. ПОИСК В АЛЬТЕРНАТИВНЫХ ПРОСТРАНСТВАХ

Рассмотренные выше методы поиска исходят из молчаливой предпосылки, что знания о предметной области и данные о решаемой задаче являются точными и полными и для них справедливо следующее:

· все утверждения, описывающие состояние, являются истинными;

· применение оператора к некоторому состоянию формирует некоторое новое состояние, описание которого состоит только из истинных фактов.

Однако при решении любых практических задач и особенно при решении неформализованных задач распространена обратная ситуация. Эксперту приходится работать в условиях неполноты и неточности знаний (данных) и, как правило, в условиях дефицита времени. Когда эксперт решает задачу, он использует методы, отличающиеся от формальных математических рассуждений. В этом случае эксперт делает правдоподобные предположения, которые он не может доказать; тем самым вопрос об их истинности остается открытым. Все утверждения, полученные на основе этих правдоподобных предположений, также не могут быть доказаны.

Итак, для того чтобы система могла делать умозаключения, основанные на здравом смысле, при работе с неполными (неточными) данными и знаниями, она должна быть способна делать предположения, а при получении новой информации, показывающей ошибочность предположений, отказываться как от сделанных предположений, так и от умозаключений, полученных на основе этих предположений. Мнение системы о том, какие факты имеют место, изменяется в ходе рассуждения, т.е. можно говорить о ревизии мнений. Таким образом, даже если рассматривать проблемную область как статическую, неполнота (и неточность) знаний и данных влечет за собой рассмотрение этой области при различных (и даже противоположных) предположениях, что, в свою очередь, приводит к представлению области в виде альтернативных пространств, соответствующих различным, возможно, противоречивым и (или) взаимодополняющим предположениям и мнениям.

Все неудачи, возникшие при поиске в одном направлении, не запоминаются при переходе к поиску в другом направлении. Та же самая причина неудачи может заново обнаруживаться и на новом направлении.

Осуществлять возврат целесообразно не к состоянию, непосредственно предшествующему данному, а к тому состоянию, которое является причиной возникновения неудачи. В используемых нами терминах причиной неудач являются предположения, т.е. недоказуемые утверждения. Поэтому при обнаружении неудачи необходимо возвращаться в состояние, где это предположение было сделано, и испытывать другое предположение.

Этот метод поиска называют поиском, направляемым зависимостью.

15. Методы представления знаний. Интегрированный метод представления знаний.

В настоящее время разработано множество подходов к представлению знаний. В основе этих подходов заложено использование таких методов представления знаний, как:

- формальные логические;

- продукционные;

- семантические сети;

- фреймовы;

- сценарии.

Рис. 1. Структура единицы представления знания о реальном мире

16. Методы представления знаний. Продукции.

Позволяет представлять знания в виде совокупности специальных информационных единиц, именуемых правилами или продукционными правилами (продукциями).

Структура правила:

ЕСЛИ (перечень условий), ТО (перечень действий).

Перечень условий (антецедент) - это некоторое предложение-образец, по которому осуществляется поиск в базе знаний.

Перечень действий (консеквент) – это действия, которые выполняются при успешном исходе поиска.

Действия могут быть:

· Промежуточными, выступающими в дальнейшем как условия.

· Терминальными или целевыми, завершающими работу системы.
Правила позволяют представлять:
Отношения объектов: пространственно-временные, причинно-следственные, функционально-поведенческие (ситуация — действие), так и сами объекты: объект-свойство, (набор свойств — объект) атрибут-заничение (используются в качестве переменных внутри правил)
Предназначение
В основном используется для описания последовательности различных ситуаций и действий. В какой-то мере, для структурированного описания объектов.
Продукционная модель (по сравнению с логической МПЗ) предполагает более гибкую организацию работы механизма вывода.
Различаются два типа продукционных систем: с прямыми и обратными выводами. В зависимости от направления вывода возможно прямая аргументация и обратная.
Прямая аргументация — управление ведется исходными данными (от исходных данных к цели).
Могут использоваться при решении задач:

· интерпретация (по исходным данным нужно определить сущность следующей ситуации)

· прогнозирования (из описания некоторой ситуации выводятся все следствия)
Обратная аргументация — управляемая целями (от целей к исходным данным)
Применяется для проверки определенной гипотезы или небольшого множества гипотез на соответствие факта (задачи диагностики).
Основные достоинства продукционных моделей

· Модульность — продукции могут легко редактироваться в БЗ, не затрагивая при этом содержимого других продукцией.

· Единообразие структуры — основные компоненты продукционной системы могут применятся для СИИ с различной проблемной ориентацией.

· Естественность — ядро продукции во многом аналогично процессу рассуждений эксперта.

· Не требуется явно задавать способ взаимодействия правил друг с другом.
Основные недостатки продукционных моделей

· Процесс вывода менее эффективен, чем в других системах, из-за необходимости непроизводительной проверки применимости правил.

· Процесс вывода трудно поддается определению

· затруднительна оценка целостного образа знаний содержащихся в системе

· могут возникать непредсказуемые побочные эффекты при большом числе правил продукционной системы в случаях изменения старого и добавления нового правила.

· Сложно представить иерархию понятий.

17. Методы представления знаний. Семантические сети.

Семанти́ческая сеть — информационная модель предметной области, имеющая вид ориентированного графа, вершинами которого соответствуют объектам предметной области, а дуги задают отношения между ними. Выявление смысла фразы не сводится к синтаксическому анализу и разбиению предложения не лексемы и лексические структуры по такому принципу, который осуществляется с использованием конечных автоматов.
Структура СС отображается графически с помощью узлов и соединяющих их дуг (отношения). Узлы (понятия, факты, объекты, события, состояния, ситуации)
Структура:
NM = <U, R1,...,Rn, G>
где U — множество информационных единиц
R1 Rn — множество типов связей между элементами множества U
G — отображение, задающие между элементами множества U связи из заданного набора типов связей {Ri}
Классификация

В зависимости от типов связей { Ri } различают:

Классифицирующие сети .
Их отношения структуризации позволяют вводить БЗ различные иерархические отношения между элементами множества U.

Функциональные сети.
Это вычислительные модели с наличие функциональных отношений. Описывают процедуры вычислений одних информационных единиц через другие.
Сценарии.
Сети с причинно-следственными отношениями типов «средство-результат», «орудие-действие» и т.д. (устанавливающими влияние одних явлений или факторов на другие).

По количеству типов отношений:
Однородные – СС имеет один тип отношений.
Неоднородные. Количество типов отношений больше двух. Позволяет более полно описать предметную модель. (Соответственно в такой модели могут присутствовать разные типы узлов)
По типам отношений:

бинарные (отношением связываются два объекта);

N-арные (используются отношения, связывающие более двух понятий).

Структура фрейма

Состоит из характеристик описываемой стереотипной ситуации и их значений (слотов и заполнителей слотов):

• (имя фрейма:

• (имя первого слота: значен6ие первого слота),

• (имя второго слота: значение второго слота),

• …..

• (имя n-го слота: значение n-го слота)).

Достоинства фреймовых моделей:

· обеспечение требований структурированности связанности за счет свойств наследования и вложенности;

· наглядность системы знаний;

· возможность отражения концептуальной основы организации памяти человека;

· использование присоединенных процедур для включения процедурных знаний обеспечивающих комплексирование фреймового формализма с математическими моделями системами проекции традиционными программным обеспечением и позволяющих строить гибридные модели;

· способность систематизировать большие объемы информации с удобством для дальнейшего использования.
Недостатки фреймовых систем.

· отсутствие универсальной процедуры управления выводом (механизм наследования не позволяет выстраивать «цепочки умозаключений»); (сценарии)

· при использовании присоединенных процедур затрудняется управление завершенностью и постоянством целостного образа;

· относительно высокая сложность фреймовых систем (снижение скорости работы механизма вывода увеличении трудоемкости внесения изменений в родовидовую иерархию).
Исходя из этого фреймы лучше всего использовать для описания стереотипных знаний, знаний, которые не могут поменяться с течением времени (например при описании математических законов, формул). Так же, возможно использовать фрейм для описания конкретных объектов. (объектно-ориентирование)

Сценарием называется формализованное описание стандартной последовательности взаимосвязанных фактов, определяющих типичную ситуацию предметной области.

Это могут быть последовательности действий или процедур, описывающие способы достижения целей действующих лиц сценария:

• обед в ресторане,

• командировка,

• полет самолета,

• поступление в вуз.

Сценарий взаимодействия клиента и менеджера фирмы

<сценарий: офис

роли: клиент, менеджер, кассир

цель: приобретение компьютера

сцена 1: вход в офис

войти в офис

осмотреть офис

мысленно выбрать менеджера для заказа компьютера

подойти к столику менеджера

сесть

сцена 2: выбор компьютера

взять прайс-лист

выбрать конфигурацию компьютера

проконсультироваться

принять решение о покупке

сцена 3: оформление заказа

указать выбранную базовую модель

модификация состава оборудования

заполнение бланка заказа

движение к кассе

оплата заказа

сцена 4: уход

движение к окну выдачи покупок

тестирование компьютера

упаковка компьютера

уточнение гарантийных обязательств

получение упакованной покупки

выход из офиса>.

20. Методы решения задач. Классификация задач. Классические методы решения.

Задача
• имеет языковые средства, с помощью которых ясно и определенно сформулировано, что дано, что требуется получить.
• Имеются также разнообразные средства, с помощью которых можно перейти от того, что дано, к тому, что требуется получить.

ПО количественным признакам:

· Задачи вычислительные (мало данных, много вычислений);

· Задачи обработки данных.
По используемой проблемной области.
ИИС решаются следующие классы дача:

· интерпретации;

· диагностики;

· прогнозирования ;

· проектирования;

· управления;

· моделирования;

· планирования.
Классические методы решения задач
Классические методы решения вычислительных задач:

· Использования явной формулы;

· Использование рекурсивного определения;

· Использование алгоритмов;

· Применение методов перебора, проб и ошибок и др.
Методы решения задач СОЗ

Методы поиска при неполных и неточных данных
При решении реальных трудно формализуемых и особенно неформализованных задач
инженер по знаниям и эксперт работают в условиях неполноты и неточности данных и знаний в условиях дефицита времени
В своей работе эксперт использует методы отличающиеся от формальных математических рассуждений (В математических рассуждениях каждое заключение должно строго следовать из предыдущего). В правдоподобных рассуждения основанных на здравом смысле заключения основываются на частичной информации
В этом случае эксперт делает правдоподобные предположения вопрос об истинности которых остается открытым. Все утверждения полученные на основе этих правдоподобны предположений также не могут быть доказаны. Один из способов обоснования предположений рассматривать их как возможные значения задаваемые по умолчанию
Например высказав предположение что сейчас подойдет автобус предполагается что автобус не сломался и время работы автотранспорта не закончилось
Некоторые предположения верны только определенных условиях Если информации о нарушении этих условий нет то предположение считает верным Для создания умозаключений основанных на здравом смысле система должна
Делать предположения
Отказываться от сделанных предположений при получении новой информации об ошибочности предположений
Мнение системы о том какие факты имею место изменять в ходе рассуждения т.е. можно говорить о ревизии мнений.
Метод поиска использующие несколько моделей

· При решении сложных задач в условий ограниченных ресурсов использование несколько моделей позволяет:

· обходить тупики возникающие при поиске в процессе распространения ограничений

· снизить вероятность потери хорошего решения за счет конструирования из ограниченного числа частичных кандидатов путем их расширения и комбинации

· снижение неточности ошибочности данных и знаний.

21. Методы решения задач. Методы решения задач в СОЗ.

Организация решения задач в СОЗ зависит от особенностей предметной области, в которой решается задача, и от требований, предъявляемых пользователем к решению. Особенности предметной области с точки зрения методов решения можно характеризовать следующими параметрами [16]:

• размер, определяющий объем пространства, в котором предстоит искать решение;

• изменяемость области, характеризует степень изменяемости области во времени и пространстве (здесь выделяются статические и динамические области);

• полнота модели, описывающей область, характеризует адекватность модели, используемой для описания данной области. Обычно если модель не полна, то для описания области используют несколько моделей, дополняющих друг друга за счет отражения различных свойств предметной области;

• определенность данных о решаемой задаче, характеризует степень точности (ошибочности) и полноты (неполноты) данных. Точность (ошибочность) является показателем того, что предметная область с точки зрения решаемых задач описана точными или неточными данными; под полнотой (неполнотой) данных понимается достаточность (недостаточность) входных данных, для однозначного решения задачи.

Методы решения задач в СОЗ:

· характеристика проблемной области

§ размер пространства поиска

§ изменяемость области

§ полнота модели

§ определенность данных

· методы, основанные на сведении их к поиску планов решения задач

§ в одном пространстве

· в пространстве состояний

· методом редукции

· эвристический поиск

· методом «генерация-проверка»

§ в иерархических пространствах

· в факторизованном пространстве

· в фиксированном множестве пространств

· в изменяемом множестве пространств

· с использованием ограничений

· принцип наименьших свершений

· с использованием метапостранств

§ при неточных и неполных данных

· поиск в альтернативных пространствах

§ с использованием нескольких моделей

· методы построения решения планов задачи

§ дедуктивный вывод

§ формирование решений в системах с интегрированными моделями знаний

§ на основе обучения интеллектуальных систем

Существующие методы решения задач, используемые в СОЗ, можно классифицировать следующим образом (рис.1.14):

- методы, основанные на сведении их к поиску;

- методы, основанные на планировании последовательности действий (планов решения задач), приводящих к цели.

22. Методы, основанные на сведении их к поиску планов решения задач.

Методы решения задач, основанные на сведении их к поиску, зависят от особенностей предметной области, в которой решается задача, и оттребований, предъявляемых пользователем к решению. Особенности предметной области:· объем пространства, в котором предстоит искать решение;· степень изменяемости области во времени и пространстве (статические и динамические области);· полнота модели, описывающей область, если модель не полна, то для описания области используют несколько моделей, дополняющих друг друга;· определенность данных о решаемой задаче, степень точности (ошибочности) и полноты (неполноты) данных. Требования пользователя к результату задачи, решаемой с помощьюпоиска, можно характеризовать1) количеством решений : одно решение, несколько решений, все решения.2) свойствами результата: ограничения, которым должен удовлетворять полученный результат3) и (или) способом его получения. Существующие методы решения задач, используемые в экспертных системах, можно классифицировать следующим образом: · методы поиска в одном пространстве - методы, предназначенные для использования в следующих условиях: области небольшой размерности, полнота модели, точные и полные данные(билет 13);· методы поиска в иерархических пространствах - методы, предназначенные для работы в областях большой размерности (билет 12);· методы поиска при неточных и неполных данных ;(билет 14)· методы поиска, использующие несколько моделей, предназначенные для работы с областями, для адекватного описания которых одной модели недостаточно.(не нашла в билетах, поэтому здесь напишу) ((Методы поиска, использующие несколько моделей:При решении сложных задач, в условиях ограниченных ресурсов, использование нескольких моделей позволяет:· обходить тупики, возникающие при поиске, в процессе распространения ограничений;· снизить вероятности потери хорошего решения за счет конструирования полного решения из ограниченного числа частичных кандидатов путем их расширения и комбинации;· снижение неточности, ошибочности данных и знаний. Использован в ЭС SYN - программе для синтеза электрических схем. Используя несколько моделей, ЭС SYN может рассматривать схему с различных точек зрения, что соответствует идее эквивалентных электрических схем. SYN может рассматривать делитель напряжения как:· два последовательно соединенных сопротивления R1 и R2, · одно R = R1 + R2. При анализе делителя напряжения SYN использует вторую точку зрения для вычисления тока, проходящего через делитель I = U/R. Затем для вычисления напряжения в средней точке делителя U1 = I × R1, U2 = I × R2, SYN возвращается к первой точке зрения. Идея поочередного использования эквивалентных представлений электрических схем позволяет преодолеть тупики, возникающие при распространении ограничений. Система SYN способна исследовать сложные схемы без трудоемких алгебраических вычислений. )) Предполагается, что перечисленные методам при необходимости должны объединяться для того, чтобы позволить решать задачи, сложность которых возрастает одновременно по нескольким параметрам.

23.Некоторые определения и высказывания об интеллекте.

Тест Тьюринга: если поведение машины, отвечающей на вопросы, невозможно отличить от поведения человека, отвечающего на аналогичные вопросы, то она обладает интеллектом.

Нильсон: "..цель работ по ИИ состоит в создании машин, выполняющих такие действия, для которых обычно требуется интеллект человека".

Маккарти и Хэйес. "Существо разумно, если оно имеет адекватную модель окружающего мира (включающую интеллектуальный мир математики, понимание своих собственных целей и другие мыслительные процессы), если оно достаточно "умно", чтобы уметь дать ответ на широкий круг вопросов, используя для этого модель мира, и если оно может в случае надобности получать дополнительную информацию из внешнего мира и может выполнять во внешнем мире задачи, диктуемые его целями и не противоречащие его физическим возможностям".

Мичи: определяет систему ИИ, используя вопросы:

1. Использует ли система модель мира?

2. Использует ли система модель мира для формирования планов действия, выполняемого в этом мире?

3. Включают ли планы направленный анализ альтернативных возможностей?

4. Может ли система переформулировать план, если его выполнение ведет к непредсказанным состояниям мира?

5. "Может ли система использовать прошлый опыт для индуктивного расширения и корректировки модели мира?

При положительных ответах система является системой ИИ.

Э.В. Попов, Г.Р. Фирдман.

Под системой ИИ понимается система, обладающая способностью

· к накоплению и корректировке знания на основе активного восприятия

· информации о мире и обобщенного опыта,

· к целенаправленному поведению на основе накопленного знания.

В.К. Финн:

Указал следующие принципиальные черты интеллекта:

- выделение существенного в знании:

- способность к рассуждениям;

- рефлексия;

- выдвижение цели и выбор средств ее достижения;

- познавательная активность; адаптация к ситуации;

- формирование обобщений и обучение на примерах;

- синтез познавательных процедур.

А.В. Тимофеев:

"Интеллект - способность кибернетической системы решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам".

Под знаниями понимается не только информация от органов восприятия, но и модель окружающей среды.

В этой модели объекты реального мира, их свойства и отношения между ними не только отображаются и запоминаются, но и могут мысленно (абстрактно) "целенаправленно преобразовываться".

24. Определение задачи и проблемы. Постановка задачи.

Реальный мир содержит множество задач и проблем. Определения понятий «задача» и «проблема» важны для специалистов в области:

· психологии и педагогики,

· философии и методологии науки,

· теории алгоритмов,

· системного анализа и

· искусственного интеллекта.

Усилия этих специалистов не привели к строгому определению понятий задача и проблема.

В психологии существует несколько подходов к определению понятия "задача".

· Леонтьев А.Н. определяет задачу через ситуацию, требующую от субъекта некоторого действия.

· Костюк Г.С. под задачей понимает "ситуацию, требующую от субъекта некоторого действия, направленного на нахождение неизвестного на основе использования его связей с известным" .

· Ньюэлл А. понятие "задача" определяет как ситуацию, требующую от субъекта, "некоторого действия, направленного на нахождение неизвестного на основе использования его связей с известным в условиях, когда субъект не обладает способом (алгоритмом) этого действия".

В настоящее время довольно распространенным является представление о смысле понятия "задача", которое определяется вместе с понятием "загадка".

Загадка предполагает изображение или выражение, нуждающееся в разгадке, которая в принципе существует, но не известна тому, кто разгадывает.

Понятие загадка близка к понятию задача - они в принципе разрешимы и для этого имеются необходимые средства.

Задача :

Проблема :

· в принципе разрешима, но средства для ее выявления, формулирования и решения необходимо создать.

· в проблеме не только не сформулированы исходные позиции - "дано и требуется получить", но даже нет языковых средств, с помощью которых это можно сформулировать.

· отсутствуют или участникам неизвестны средства для разрешения проблемы.

· неизвестен и сам состав участников.

Все это требуется найти или создать в процессе:

· выявления,

· формулирования и

· разрешения проблемы.

Задачи либо хорошо, либо плохо определены.

Хорошо определенная задача:

· если решающий ее располагает каким-то способом узнать (или имеет хотя бы принципиальную возможность узнать), когда он решил данную задачу.

· более формально: - хорошо определенной считается такая задача, для которой при ее заданном предполагаемом решении можно применить алгоритмический метод, позволяющий определить, является ли оно на самом деле решением.

Доказательство теорем в математике связано с хорошо определенными задачами, т.к. проверка доказательства носит алгоритмический характер.В повседневной жизни большинство задач является плохо определенными: при выборе некоторой последовательности действий не всегда есть уверенность, что они окажутся наиболее эффективными в данных обстоятельствах.

Выбор хода в шахматах является (на данном этапе) плохо определенной задачей.Для хорошо определенных задач, в принципе, существует некий алгоритмический метод их решения. Представление задач всех классов не имеет единой формы.

Представление вычислительных задач включают переменные (идентификаторы): АХ, Х1, х, ПЛОЩАДЬ.

В качестве значений переменных выступают данные.

Форма представления вычислительной задачи:

зная М вычислить y1,y2, …,yn по x1,x2,…,xm,

где М, x1,x2,…,xm, y1,y2,…,yn - переменные.

Они имеют смысл, определенный их вхождением в задачу.

x1,x2,…, xm -входные переменные или входы задачи.

М - переменная, значение которой выражает условия задачи.

Примеры:

"Вычислить площадь треугольника по его трем сторонам" зная треугольник вычислить S по а, b, с.

Задача "в заданной теории построить доказательство формулы, которая будет дана в качестве исходных данных задачи" представляется в виде зная теория вычислить доказательство по формулам.

Другие задачи.

Не все вычислительные задачи сразу подходят под схему, предложенную выше.

Постановка задачи:

Одним из часто используемых типов представления является графическое.

Пространство поиска решений хорошо определено и, чаще всего, основная трудность решения уже выявлена.

Прагматика и семантика задачи представлены, в основном, в формализованном виде.

Задача становится более абстрактной и более строгой.

Можно говорить о задаче в замкнутой форме или о замкнутой формулировке задачи.

Постановка задачи в замкнутой форме:

В наиболее общем виде условия задачи математически могут быть записаны следующим образом:

Найти в заданном множестве Х точки х, удовлетворяющие множеству заданных ограничений К(х).

Например, "из множества целых натуральных чисел х выбрать такие числа, которые удовлетворяют уравнению х3 + 84 = 37х."

Задание пространства Х означает, в общем случае, одновременное (но неявное) задание структуры Х и разрешенных операций над Х.

Знание Х является определяющим в исходных данных.

Два основных варианта представления задачи в замкнутой форме.

1.Пространство содержит исходное состояние S0, заданы конечное состояние Sk и конечный перечень операторов Оab, которые позволяют перейти от одного состояния Sa к другому состоянию Sb.

Дизайн хранилищ данных

Существуют два архитектурных направления – нормализованные хранилища данных и хранилища с измерениями.

В нормализованных хранилищах, данные находятся в предметно ориентированных таблицах третьей нормальной формы. Нормализованные хранилища характеризуются как простые в создании и управлении, недостатки нормализованных хранилищ – большое количество таблиц как следствие нормализации, из-за чего для получения какой-либо информации нужно делать выборку из многих таблиц одновременно, что приводит к ухудшению производительности системы.

Хранилища с измерениями используют схему «звезда» или схему «снежинка». При этом в центре «звезды» находятся данные (Таблица фактов), а измерения образуют лучи звезды. Различные таблицы фактов совместно используют таблицы измерений, что значительно облегчает операции объединения данных из нескольких предметных таблиц фактов (Пример – факты продаж и поставок товара). Таблицы данных и соответствующие измерениями образуют архитектуру «шина». Измерения часто создаются в третьей нормальной форме, в том числе, для протоколирования изменения в измерениях. Основным достоинством хранилищ с измерениями является простота и понятность для разработчиков и пользователей, также, благодаря более эффективному хранению данных и формализованным измерениям, облегчается и ускоряется доступ к данным, особенно при сложных анализах. Основным недостатком является более сложные процедуры подготовки и загрузки данных, а также управление и изменение измерений данных.

Процессы работы с данными

Источниками данных могут быть:

· Традиционные системы регистрации операций

· Отдельные документы

· Наборы данных

Операции с данными:

· Извлечение – перемещение информации от источников данных в отдельную БД, приведение их к единому формату.

· Преобразование – подготовка информации к хранению в оптимальной форме для реализации запроса, необходимого для принятия решений.

· Загрузка – помещение данных в хранилище, производится атомарно, путем добавления новых фактов или корректировкой существующих.

· Анализ – OLAP, Data Mining, сводные отчёты.

· Представление результатов анализа.

Вся эта информация используется в словаре метаданных. В словарь метаданных автоматически включаются словари источников данных. Здесь же форматы данных для их последующего согласования, периодичность пополнения данных, согласованность во времени.

Задача словаря метаданных состоит в том, чтобы освободить разработчика от необходимости стандартизировать источники данных.

Создание хранилищ данных не должно противоречить действующим системам сбора и обработки информации.

Специальные компоненты словарей должны обеспечивать своевременное извлечение из словарей и обеспечить преобразование к единому формату на основе словаря метаданных.

Логическая структура данных хранилища данных отличается от структуры данных источников данных.

Для разработки эффективного процесса преобразования необходима хорошо проработанная модель корпоративных данных и модель технологии принятия решений.

Данные для пользователя удобно представлять в многоразмерных БД, где в качестве измерения могут выступать время, цена или географический регион.

Кроме извлечения данных из БД, принятия решений важен процесс извлечения знаний, в соответствии с информационными потребностями пользователя.

С точки зрения пользователя в процессе извлечения знаний из БД должны решаться след. преобразования: данные → информация → знания → полученные решения.

31. Классификация СИИ.

¡ Системы с интеллектуальным интерфейсом;

¡ интеллектуальные базы данных;

¡ естественноязыковый интерфейс;

¡ гипертекстовые системы;

¡ системы контекстной помощи;

¡ системы когнитивной графики.

¡ Системы, основанные на знаниях (СОЗ);

ЭС - это программная система, способная в данной предметной области вырабатывать решения, по эффективности конкурирующие с решениями эксперта.

· Классифицирующие ЭС;

· Доопределяющие ЭС;

· Трансформирующие ЭС;

· Многоагентные системы.

¡ Обучающиеся и самообучающиеся системы;

Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.

¡ Системы, использующие эволюционные модели;

Согласованность и эффективность работы элементов биологических организмов наводит на мысль – можно ли использовать принципы биологической эволюции для оптимизации практически важных для человека систем? В 1975 г. вышла основополагающая книга Дж. Холланда “Адаптация в естественных и искусственных системах”, в которой был предложен генетический алгоритм. В общем виде эволюционный алгоритм – это оптимизационный метод, базирующийся на эволюции популяции “особей”.

¡ Системы, использующие множество источников знаний.

Использование различных источников знаний позволяет формировать и использовать более качественные решения. Это требует, как развитых телекоммуникативных способностей системы, так и возможностей восприятия различных моделей и форм представления знаний.

32. Классы решаемых задач для метода автоматического формирования планов.

Модель предметной области - отражение в КС элементов и признаков РМ, их отношений.

В простейшем случае включает образы всех операций и параметров, необходимых для решения задачи или класса задач.

Описание образа операции включает три составляющих:

- Имя операции;

- Условия возможности выполнения операции;

- Условия контроля выполнения операции.

Имя операции - код или набор символов,

Условия - наборы, состоящие из имени параметра и области допустимых значений (ОДЗ) этого параметра.

Параметры используются:

· для задания текущего состояния предметной области в виде набора имен параметров с их текущими значениями и

· для задания требуемых значений в виде набора имен параметров с их ОДЗ.

Операции

Классы экспертных систем

- Классифицирующие ЭС;

- Доопределяющие ЭС;

- Трансформирующие ЭС;

- Многоагентные системы. (см. билет 35)

ПРИЗНАКИ КЛАССИФИКАЦИИ ЭС
Способ формирования решения:

Аналитические ЭС предполагают выбор решений из множества известных альтернатив (определение характеристик объектов).

Синтетические ЭС генерируют неизвестные решения (формирование объекта).

Способ учета временного признака:

Статические ЭС данные и знания в процессе решения неизменны. Осуществляют монотонное непрерывное решение всей задачи без пересмотра ранее полученных результатов.

Динамические ЭС допускают изменение в ходе решения данных, знаний и ранее полученных результатов.

Вид используемых данных и знаний:

Детерминированные - используют полностью определенные знания.

Неопределенные - используют знания и данные с такими характеристиками, как неполнота (отсутствие), недостоверность (неточность измерения), двусмысленность (многозначность понятий), нечеткость (качественная оценка вместо количественной).

КЛАССИФИЦИРУЮЩИЕ ЭС

Назначение - решение задач распознавания различных ситуаций типа:

ДАНО: Набор признаков ситуации.

ОПРЕДЕЛИТЬ: Сущность ситуации, и в зависимости от найденной сущности, сформировать последовательность действий.

Основная задача ЭС - определение принадлежности анализируемой ситуации к некоторому классу.

Формирование решения осуществляется с использованием метода логического вывода от общего к частному

(подстановка исходных данных в некоторую взаимосвязанную совокупность общих утверждений для получения частного заключения).

ДООПРЕДЕЛЯЮЩИЕ ЭС

Предназначены для решения, на основе неопределенных исходных данных и применяемых знаний, более сложного типа аналитических задач.

Механизм работы - ЭС доопределяет недостающие знания и в пространстве решений получается несколько решений с различной вероятностью или уверенностью в необходимости их выполнения.

Методы работы с неопределенностью:

- байесовский вероятностный подход;

- коэффициенты уверенности;

- нечеткая логика

Могут использовать в работе несколько источников знаний. Для выбора единиц знаний из конфликтного набора применимы:

- приоритеты важности;

- получаемая степень определенности результата;

- значения функций предпочтений и др.

Трансформирующие СОЗ

Синтезирующие динамические СОЗ (в отличие от аналитических статических СОЗ) предполагают повторяющееся преобразование знаний в процессе решения задач.

Это связано:

– с характером результата, который нельзя заранее предопределить,

– с динамичностью самой проблемной области.

Методы решения задач в трансформирующих ЭС:

генерации и проверки (по исходным данным осуществляется генерация гипотез, а затем их проверка на подтверждение поступающими фактами);

предположений и умолчаний (по неполным данным подбираются знания об аналогичных классах объектов, которые потом динамически адаптируются к конкретной ситуации в зависимости от ее развития);

использование общих закономерностей (метауправления) в случае неизвестных ситуаций, позволяющих генерировать недостающее знание.

34. Метод автоматического формирования планов, использующий интегрированную модель представления знаний.

Модель предметной области - отражение в КС элементов и признаков РМ, их отношений.

Описание образа операции включает три составляющих:

- Имя операции;

- Условия возможности выполнения операции;

- Условия контроля выполнения операции.

Имя операции - код или набор символов,

Условия - наборы, состоящие из имени параметра и области допустимых значений (ОДЗ) этого параметра.

Параметры используются:

3 для задания текущего состояния предметной области в виде набора имен параметров с их текущими значениями и

3 для задания требуемых значений в виде набора имен параметров с их ОДЗ.

Многоагентные системы

Основоположник теории агентов Алан Кэй (Alan Kay), определил агента как программу, которая получив задание, способна поставить себя на место пользователя.

При попадании в тупиковую ситуацию, программа-агент может задать пользователю вопрос для продолжения работы.

Используется множество подходов к классификации агентов.

Наиболее распространенной является классификация агентов по:

а) степени развития внутреннего представления внешнего мира,

б) способу поведения.

По степени развития внутреннего представления внешнего мира, выделяются:

Ø интеллектуальные (когнитивные, рассудочные) и

Ø реактивные агенты.

Многоагентные системы

Интеллектуальные агенты из-за их сложности, наличия знаний и способностей к рассуждениям о своем поведении и внешней среде могут быть более автономными и работать относительно независимо, демонстрируя достаточно гибкое поведение.

В MAC, построенную из интеллектуальных агентов, как правило, включают не более 7±2 автономных единиц (магическое число Миллера).

Довольно простая структура реактивных агентов, обусловливает их жесткую зависимость от среды.

Их возможности невелики, когда они функционируют в одиночку и имеют только собственные ресурсы.

Но им легче образовать группу или организацию, способную гибко адаптироваться к изменениям среды под действием механизма естественного отбора.

Реактивные агенты представляют интерес не на индивидуальном, а на коллективном уровне.

Их способности к адаптации и развитию возникают в результате локальных взаимодействий.

• Агент - это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных пользователем.

Под агентом понимаются любые физические или виртуальные единицы, имеющие возможность:

- воздействовать на объект в некоторой среде, на других агентов, а также на самих себя;

- общаться с другими агентами;

- целеобразования, т.е. обладающие набором интенциональных характеристик (убеждения, желания, намерения и т.д.;

- нести определенные обязательства и предоставлять ряд услуг;

- иметь собственные ресурсы, обеспечивающие их автономию;

- восприятия среды;

- построения частного представления этой среды на основе ее восприятия - перцептивных навыков и умений (локальное представление среды);

- прогнозирования (оказания содействию в прогнозировании) изменений окружающей среды - предвидения;

- обучаться, адаптироваться и эволюционировать (адаптационный и эволюционный потенциал);

- самоорганизации и самовоспроизведения (самосохранения).

В работе “ИИ” Дж. Люгера представлены четыре свойства интеллектуального агента:

• Ситуативность - агент воспринимает окружение, в котором действует, и может изменять это окружение.

• Автономность - агент может взаимодействовать со своим окружением без прямого вмешательства других агентов. Для этого необходимо контролировать свои действия и внутреннее состояние.

• Некоторые автономные агенты могут также обучаться на своем опыте, с целью улучшения своего поведения в дальнейшем.

• Гибкость - наличие у агента способности демонстрировать, в зависимости от ситуации, такие свойства, как отзывчивость или предусмотрительность.

• Отзывчивый агент получает стимулы от своего окружения и вовремя отвечает на них соответствующим образом.

• Предусмотрительный агент не просто реагирует на ситуацию в своем окружении, но и адаптируется, целенаправленно действует и выбирает альтернативы в различных ситуациях.

• Социальность - это возможность агента соответствующим образом взаимодействовать с другими программными или человеческими агентами.

• Взаимодействия социального агента ориентированы на достижение целей более крупной мультиагентной системы.

Архитектуры агентов

• Организуется в виде нескольких уровней.

• Среди многоуровневых архитектур различаются

- горизонтальная организация взаимодействия уровней и

- вертикальная организация.

• Основанная на знаниях

• содержит символьную модель мира в явной форме,

• принятие решений о действиях, которые должны быть предприняты агентом, осуществляются на основе рассуждений логического или псевдологического типа.

• На основе планирования (реактивная архитектура)

• Планирование рассматривается как «конструирование последовательности действий, которая, будучи исполненной, приводила бы в результате к достижению желаемой цели».

• Примером является архитектура, в которой реакция агента на внешние события генерируется конечным автоматом.

Композиционная архитектура

Обеспечивает «прозрачное описание» сложного агента,

Позволяет интегрировать рассуждения и действия в единой (декларативной) логической среде.

Предполагается, что агент в процессе работы выполняет действия следующего типа:

- активно воспринимает и фильтрует информацию из внешнего мира;

- строит заключения по этой информации;

- вступает в коммуникацию с другими агентами с целью установления сотрудничества с ними;

- генерирует и обновляет свои убеждения, принимая или отклоняя дополнительные предположения;

- воздействуя на внешний мир, изменяет его.

IDS-архитектура

Имеет трехуровневую структуру и является гибридной.

Предполагается, что IDS находится в некотором мире (среде) и состоит из двух базовых подсистем:

• «Мыслящей подсистемы» или «Я», («Ego») и

• «Машины» или «тела».

Понятие «мыслящая подсистема» интерпретируется как интеллектуальная, основанная на знаниях часть автономного агента, его «мозг».

«Машина» есть тело агента, которое реагирует на воспринимаемые объекты и выполняет приказы, поступающие от «мыслящей подсистемы».

Функционирование:

На основе восприятия, машина обрабатывает входную информацию, и посылает выходной сигнал в интеллектуальную подсистему.

Интеллектуальная подсистема посылает команды на исполнительные органы.

Исполнительные органы отрабатывают команды без какого-либо дополнительного управления или изменения, вызывая соответствующие изменения во внешнем мире.

InteRRaP-архитектура

Представляет агента как множество уровней, которые связаны через управляющую структуру и используют общую базу знаний.

Состоит из пяти основных блоков:

• интерфейса с внешним миром:

• компоненты, основанной на поведении;

• планирующей компоненты;

• компоненты, ответственной за кооперацию с другими агентами и

• базы знаний агента.

36. Основные этапы создания СОЗ.

Процесс разработки

Участники: инженер по знаниям, эксперт

Форма: итеративного взаимодействие

Цель: получить весь необходимый объем знаний для решения четко очерченных проблем

Роли участников:

На начальных этапах идентификации и концептуализации,

• инженер по знаниям выступает в роли ученика,

• эксперт - в роли учителя, мастера.

На заключительных этапах реализации и тестирования

• инженер по знаниям демонстрирует результаты,

• эксперт оценивает адекватность результатов Пробл. области.

На этапе тестирования это могут быть другие эксперты.

37. Системы с интеллектуальным интерфейсом.

Применение ИИ для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом, среди которых можно выделить следующие типы.
1. Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.
2. Естественно-языковой интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ-интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологическом анализе осуществляются распознавание и проверка правильности написания слов в словаре. Синтаксический контроль предполагает разложение входных сообщений на отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей. Семантический анализ обеспечивает установление смысловой правильности синтаксических конструкций. В отличие от анализа синтез высказываний заключается в преобразовании цифрового представления информации в представление на естественном языке.
3. Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем — с самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио- и видеообразы.
4. Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи — частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуемой информации.
5. Системы когнитивной графики. Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах принятия решений, работающих в режиме реального времени.

38. Системы управления знаниями. Основные понятия и определения. Архитектура.

Особенности проектирования СУЗ:

• Коллективное использование знаний.

Объединение и распределение источников знаний по различным субъектам - решение организационных вопросов администрирования и оптимизации деловых процессов, связывающих пользователей СУЗ.

• Состав источников знаний определяется в принципе.

Конкретные источники знаний, могут добавляться по мере развития проекта.

Задача проектирования СУЗ приобретает непрерывный характер.

• Потребность в интеграции разнообразных источников знаний на основе единого семантического описания пространства знаний.

39. Системы, использующие различные источники знаний. Основные понятия и определения.

Многоагентные системы

Используется множество подходов к классификации агентов.

Наиболее распространенной является классификация агентов по:

а) степени развития внутреннего представления внешнего мира,

б) способу поведения.

По степени развития внутреннего представления внешнего мира, выделяются:

Ø интеллектуальные (когнитивные, рассудочные) и

Ø реактивные агенты.

(см. вопросы 35 и 38)

40. Классификация агентов.

Классификация агентов

Интеллектуальные агенты обладают более богатым представлением внешней среды, чем реактивные, за счет наличия у них БЗ и механизма решения.

Близкий термин «рассудочный» (deliberative) агент служит для обозначения агента, который обладает символьной моделью внешнего мира и возможностью принимать решения на основе символьных рассуждений.

Например, метод сравнения по образцу.

Т.О. интеллектуальные агенты могут принимать самостоятельные решения или воздействовать на среду обитания.

Интеллектуальные агенты

Имея развитые внутренние представления внешней среды и возможности рассуждений, могут:

Ø запоминать и анализировать различные ситуации,

Ø предвидеть возможные реакции на свои действия,

Ø делать из этого выводы, полезные для дальнейших действий,

Ø планировать свое поведение,

Ø прогнозировать изменения внешней среды и, как следствие, свое будущее.

Ø могут строить виртуальные миры (проблемные области), работая в которых они формируют планы действий,

Ø имеют ярче выраженную индивидуальность,

Ø гораздо более автономные, чем реактивные,

Ø характеризуются развитым целесообразным поведением в сообществе агентов, достаточно не зависимым от других агентов.

Реактивные агенты

Имеют довольно бедное внутреннее представление внешней среды (или не имеют его вовсе).

Обладают очень ограниченным диапазоном предвидения.

Практически не способны планировать свои действия, (реактивность в чистом виде означает такую структуру обратной связи, которая не содержит механизмов прогноза).

Работают в основном на уровне стимульно-реактивных связей.

Обладают очень бедной индивидуальностью и сильной зависимостью от внешней среды (сообщества агентов).

Содержат как бы скомпилированные знания о требуемых действиях.

Им не надо строить подробное внутреннее представление внешней среды, поскольку вполне достаточными оказываются реакции на набор предъявляемых ситуаций.

Характер реакции определяется только текущей информацией.

По типу поведения агенты делятся:

интеллектуальные на:

• интенциональных и

• рефлекторных,

реактивные на:

• побуждаемых и

• трофических.

Интенциональные агенты

Наделены собственными механизмами мотивации.

В них моделируются:

• внутренние убеждения,

• желания,

• намерения и

• мотивы, порождающие цели, которые определяют их действия.

Трофические агенты

Поведение определяется простейшими трофическими связями (типа «кто кого ест»).

Фактически поведение сводится к ответу на стимулы, поступающие из внешней среды (собственных мотивов и целей нет).

Поведение полностью определяется ее локальным состоянием.

Типичной моделью являются клеточные автоматы, где основными параметрами выступают:

- радиус восприятия агента,

- количество условных единиц питания и энергетическая стоимость единицы.

Каждый трофический (по сути, ситуационный) агент (автомат) обладает небольшим набором ситуационных правил, задающим его реакции на сигналы из среды типа:

• «если в радиусе восприятия есть единица питания, то направиться к ней» или

• «если в радиусе восприятия не обнаружена единица питания, то случайным образом выбрать один из свободных соседних квадратов и передвинуться в этот квадрат».

Побуждаемые агенты

Реактивные агенты также могут иметь примитивный механизм мотивации, толкающий их на выполнение задачи.

Пример: удовлетворение набора жизненных потребностей

41. Системы, основанные на знаниях.

Назначение - решение достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области.

Достоинство применения - возможность принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний.

Характеристика задач, решаемых в СОЗ: недостоверность, многозначность исходной информации и качественных оценок процессов.

Свойства задач, которые целесообразно решать с помощью ЭС:

¾ невозможность алгоритмического решения (в силу плохой формализуемости задач или огромных затрат машинного времени);

¾ противоречивость, неполнота, возможная ошибочность, исходных данных и знаний в предметной области;

¾ огромная размерность данных и знаний, плохо представимых в какой-либо наглядной форме;

¾ динамически меняющийся состав данных и знаний (в силу постоянного их пополнения, изменения и развития);

¾ необходимость широкого использования в процессе решений эвристических и эмпирических процедур, сформулированных экспертами;

¾ необходимость участия в процессе решения человека, который путем ответа на дополнительно задаваемые вопросы привносит дополнительную информацию и выбирает альтернативные пути принятия решения.

Роли, выполняемые ЭС: консультант для неопытных пользователей, ассистент в случае необходимости анализа экспертом различных вариантов принятия решений, партнер эксперта по вопросам из смежных областей деятельности.

Классы экспертных систем: Классифицирующие ЭС; Доопределяющие ЭС;

Трансформирующие ЭС; Многоагентные системы.

Схема:

БАЗА ЗНАНИЙ - ядро ЭС, совокупность единиц знаний предметной области, записанная на магнитный носитель в форме понятной эксперту и пользователю.

Содержание БЗ: образы объектов проблемной области; их взаимосвязи, действия над объектами; значения неопределенностей, с которыми эти действия осуществляются.

Интеллектуальный интерфейс предназначен для:

¾ восприятия сообщений пользователя и преобразования их в форму представления БЗ;

¾ перевода внутреннего представления результата обработки в формат пользователя;

¾ выдачи сообщения на требуемый носитель.

Подсистема объяснения

Предназначена для выдачи информации, объясняющей и иллюстрирующей путь получения того или иного вывода по запросу пользователя

Редактор базы знаний:

Предназначен для добавления в БЗ новых правил и модификации имеющихся.

Основная задача - приведение правил к виду, позволяющему машине вывода применить это правило в процессе работы.

ПРИЗНАКИ КЛАССИФИКАЦИИ ЭС

Способ формирования решения

¾ Аналитические ЭС предполагают выбор решений из множества известных альтернатив (определение характеристик объектов).

¾ Синтетические ЭС генерируют неизвестные решения (формирование объекта).

¾ Статические ЭС данные и знания в процессе решения неизменны. Осуществляют монотонное непрерывное решение всей задачи без пересмотра ранее полученных результатов.

¾ Динамические ЭС допускают изменение в ходе решения данных, знаний и ранее полученных результатов.

КЛАССИФИЦИРУЮЩИЕ ЭС

Основная задача - определение принадлежности анализируемой ситуации к некоторому классу.

ДООПРЕДЕЛЯЮЩИЕ ЭС

Трансформирующие СОЗ

Это связано:

– с характером результата, который нельзя заранее предопределить,

с динамичностью самой проблемной области.

42. Системы, реализующие эволюционные методы. Генетический алгоритм.

В 1975 г. вышла основополагающая книга Дж. Холланда “Адаптация в естественных и искусственных системах”, в которой был предложен генетический алгоритм.

В общем виде эволюционный алгоритм – это оптимизационный метод, базирующийся на эволюции популяции “особей”.

Каждая особь характеризуется приспособленностью – многомерной функцией ее генов.

Задача оптимизации состоит в максимизации функции приспособленности.

В процессе эволюции в результате отбора, рекомбинаций и мутаций геномов особей происходит поиск особей с высокими приспособленностями.

Пример.

Функция d -x/(21* b ) .

Терминальные элементы T = {d ,x,21, b } ,

Функциональные F = {-,/,*} .

Древовидное представление функции d -x/(21* b )

Для того чтобы применить ГП к какой-либо проблеме, необходимо определить:

¾ Множество терминальных элементов.

¾ Множество функциональных элементов.

¾ Меру приспособленности (fitness).

¾ Параметры, контролирующие эволюцию.

¾ Критерий останова эволюции.

О собенности операторов ГП

Алгоритм работы ГП такой же как и ГА:

¾ селекция,

¾ скрещивание и

¾ мутация.

Особенности: поскольку ГП оперирует над деревьями, а не над строками, то операторы скрещивания и мутации имеют отличия.

Скрещивание - выбираются случайные части родительских деревьев и

эти части меняются местами.

В ГП размер хромосомы меняется.

Чтобы предотвратить чрезмерное разрастание дерева, вводят:

• максимальное количество функциональных элементов в дереве или

• максимальную глубину дерева.

Однако при операции скрещивания возможна ситуация, когда при скрещивании двух деревьев получится одно из деревьев, превосходящее заданный лимит.

В этом случае вместо конфликтного дерева копируется родительское дерево.

Мутация
Оператор мутации случайно удаляет часть дерева и заменяет ее новым деревом

Примеры использования ГП

(Просто почитать)

Игра Змейка.

Игра начинается с фиксированного количества сегментов тела змейки. Змейка может менять направления движения влево или вправо либо двигаться вперед. В течении игры на доске находится только один кусок еды. Если змейка съедает его, то у нее увеличивается хвост и на доске появляется в случайном месте другая еда. Игра заканчивается, когда змейка врезается в свой хвост или в бордюр.

Робот собирающий еду.

Робот гуляет в двумерном мире. Каждая клетка может быть стеной, травой, едой или миной. Программа берет на вход данные с сенсоров робота. Ее запуск делает один шаг робота, при многократном выполнении (прогон) происходит ходьба. В качестве поощрения используется еда. В частности, рассмотрен гуляющий вдоль стен робот [Koza 1992].

44. Искусственные нейронные сети.

Иску́сcтвенная нейро́нная се́ть — это математическая модель, а также устройства параллельных вычислений, представляющие собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Как математическая модель искусственная нейронная сеть представляет собой частный случай методов распознавания образов или дискриминантного анализа.
Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах.
Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
Понятие возникло при изучении процессов, протекающих в мозге при мышлении, и при попытке смоделировать эти процессы. Полученные модели называются искусственными нейронными сетями (ИНС).
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.
Область применения
Распознавание образов и классификация
В качестве образов могут выступать различные, по своей природе, объекты: символы текста, изображения, образцы звуков и т. д. При обучении сети предлагаются различные образцы образов с указанием того, к какому классу они относятся. Образец, как правило, представляется как вектор из его признаков. При этом совокупность всех признаков должна однозначно определять класс, к которому относится образец. В случае, если признаков недостаточно, сеть может соотнести один и тот же образец с несколькими классами, что неверно.По окончании обучения сети можно предъявлять неизвестные ей ранее образы и получать от нее ответ о принадлежности к определенному классу. Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило, равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется некий образ, на одном из ее выходов должен появится признак того, что образ принадлежит этому классу. В то же время на других выходах должен быть признак того, что образ данному классу не принадлежит. Если на двух или более выходах есть признак принадлежности к классу, считается что сеть «не уверена» в своем ответе.
Принятие решений и управление
Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе сети при этом должен появится признак решения, которое она приняла. При этом в качестве входных сигналов используются различные критерии описания состояния управляемой системы.
Кластеризация
Под кластеризацией понимается разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее неизвестны. После обучения такая сеть способна определять, к какому классу относится входной сигнал. Сеть также может сигнализировать о том, что входной сигнал не относится ни к одному из выделенных классов — это является признаком новых, отсутствующих в обучающей выборке, данных. Таким образом, подобная сеть может выявлять новые, неизвестные ранее классы сигналов. Соответствие между классами, выделенными сетью, и классами, существующими в предметной области, устанавливается человеком.
Прогнозирование и аппроксимация
Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие. Например, прогнозирование котировок акций на основе котировок за прошлую неделю может оказаться успешным (а может и не оказаться), тогда как прогнозирование результатов завтрашней лотереи на основе данных за последние 50 лет почти наверняка не даст никаких результатов.
Сжатие данных и Ассоциативная память
Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс — восстановление исходного набора данных из части информации — называется (авто)ассоциативной памятью. Ассоциативная память позволяет также восстанавливать исходный сигнал/образ из зашумленных/поврежденных входных данных. Решение задачи гетероассоциативной памяти позволяет реализовать память, адресуемую по содержимому.

Интеллектуальный анализ данных и обработка образной информации

Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик, и т.п.

Значительную часть этого направления составляют исследования по различным аспектам распознавания изображений, в частности, с помощью нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.

6. Направления исследований в области ИИ. Многоагентные системы.
Агентом считается все, что действует (слово агент произошло от из латинского слова agere — действовать). Но предполагается, что компьютерные агенты обладают некоторыми другими атрибутами, которые отличают их от обычных «программ», такими как способность функционировать под автономным управлением, воспринимать свою среду, существовать в течение продолжительного периода времени, адаптироваться к изменениям и обладать способностью взять на себя достижение целей, поставленных другими.
Агент – это программный модуль, способный выполнять определенные ему функции или функции другого агента (человека, чьи функции он воспроизводит) [2].
Фактически, используя понятие "агент", каждый автор или сообщество определяют своего агента с конкретным набором свойств в зависимости от целей разработки, решаемых задач, техники реализации, критериев. Как следствие, в рамках данного направления появилось множество типов агентов, например: автономные агенты, персональные ассистенты, интеллектуальные агенты, социальные агенты и т.д. А в зависимости от степени возможности внутреннего представления внешнего мира и способа поведения агенты классифицируются как локальные, сетевые, мобильные, интерфейсные, транслирующие, маршрутизации и т.д. Наиболее перспективными являются интеллектуальные агенты, так как для них необходимо не только наличие целей функционирования, но и возможность использования достаточно сложных знаний о среде, партнерах и о себе. Уровень интеллектуальности (уровень интеллекта) определенного агента можно оценить как способность агента использовать старые знания в новых, может быть, заранее неизвестных ему ситуациях и проблемных областях, где оцениваемый агент приемлем как активный решатель задач.
Агенты могут работать как неинтерактивные особи или как коллектив. В первом случае система очень проста: агенты делают то, о чем их просят. Для получения результата большего, чем сумма работ, выполняемых индивидуально отдельными агентами, необходимо их взаимодействие. Данное взаимодействие называется многоагентной системой. Взаимодействие может быть в форме передачи сообщений или создания изменений в их общей окружающей среде. Многоагентные системы зародились на пересечении теории систем и теории систем распределенного искусственного интеллекта. По сути дела многоагентные системы можно рассматривать как совокупность взаимосвязанных программных модулей (агентов), являющихся фрагментами знаний, доступных другим агентам. Это, можно сказать, некие "программные роботы", удовлетворяющие различным информационным и вычислительным потребностям конечных пользователей. Они координируют свои знания, цели, умения и планы при решении проблем. Таким образом, можно рассматривать MAC как некие программно-исполнительные устройства.

7. Направления исследований в области ИИ. Системы управления знаниями.
Управление знаниями можно рассматривать и как новое направление в менеджменте, и как направление в информатике для поддержки процессов создания, распространения, обработки и использования знаний внутри предприятия.
Система управления знаниями (СУЗ) – это не просто технологическое решение, но бизнес-стратегия, направленная на формирование в организации культуры знаний и поддержку единого корпоративного сознания, простирающегося за пределы любых организационных единиц на благо всей компании в целом. Важным отличием «управления знаниями» от «искусственного интеллекта» являются цели развития обоих направлений, то есть прежде всего, с тем, что «управление знаниями» преследует цель, где первичная ролью отдается человеку, сотруднику, эксперту, носителю тех знаний, которые и составляют интеллектуальный капитал организации. Не моделирование на компьютере процесса мышления, не повторение функций человеческого мозга, не подмена человека в процессах принятия решения, а наиболее эффективное применение уже имеющихся у организации знаний — вот основное назначение knowledge management.
Цели создания СУЗ:
• профессиональное развитие сотрудников;
• повышение инновационности производства и системы управления инновациями;
• повышение эффективности управления интеллектуальным капиталом;
• повышение операционной эффективности предприятия, снижение издержек, повышение качества предоставляемых услуг.
Программное обеспечение основано:
• нечеткая логика — приближенные вычисления, грануляция информации, вычисления на словах
• нейрокопьютинг — обучение, адаптация, классификация, системное моделирование и идентификация
• генетические вычисления — синтез, настройка и оптимизация с помощью систематизированного случайного поиска и эволюции.
• вероятностные вычисления- управление неопределённостью, сети доверия, хаотические системы, предсказание.
К системам управления знаниями можно отнести и экспертные системы (см. вопрос 20)
Роли, выполняемые ЭС

· консультант для неопытных пользователей;

· ассистент в случае необходимости анализа экспертом различных вариантов принятия решений;

· партнер эксперта по вопросам из смежных областей деятельности.

· ЭС - программная систем способная в данной предметной области вырабатывать крещения по эффективности конкурирующие с решениями эксперта

· Назначение — решение достаточно трудных для экспертов задач на основе накапливаемой базы знаний отражающей опыт работы экспертов в рассматриваемой проблемой области.

· Часто задаваемый вопрос на экзамене (!)

· Достоинство применения — возможность принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний.

· Характеристика задач, решаемых в СОЗ недостоверность многозначность исходной информации и качественных оценок процессов

8. Перспективные направления ИИ.
Представление знаний и разработка систем, основанных на знаниях.
Это основное направление искусственного интеллекта. Оно связано с разработкой моделей представления знаний, образующих ядро экспертных систем (ЭС). Включает в себя модели и методы извлечения и структурирования знаний и сливается инженерией знаний.
Игры и творчество.
Традиционно искусственный интеллект включал в себя игровые интеллектуальные задачи – шахматы, шашки. В основе лежит один из ранних подходов – лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми.
Разработка ЕЯ интерфейсов и машинный перевод
В 50х годах одно из популярных тем исследования ИИ являлась область машинного перевода. Первая программа в этой области – переводчик с английского на русский. Первая идея – пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель включающая анализ и синтез ЕЯ сообщений, которая состоит из нескольких блоков.
Для анализа это:
Морфологический анализ – анализ слов в тексте;
Синтаксический анализ – анализ предложений, грамматики и связей между словами;
Семантический анализ – анализ смысла каждого предложения на основе некоторой предметно-ориентированной базы знаний;
Прагматический анализ – анализ смысла предложений в окружающем контексте на основе собственной базы знаний. Синтез включает аналогичные этапы, но несколько в другом порядке.
Распознавание образов. Традиционное направление искусственного интеллекта, берущее начало у самых его истоков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Это направление близко к машинному обучению, тесно связано с нейрокибернетикой.
Новые архитектуры компьютеров. Это направление занимается разработкой новых аппаратных решений и архитектур, направленных на обработку символьных и логических данных. Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Последние разработки посвящены компьютерам баз данных и параллельным компьютерам.
Интеллектуальные работы
Создание человекоподобных механизмов для решения различных задач, привлекало человека с древних времен. В истории развития роботов выделяют четыре глобальных этапа:
Донаучный;
Андроидный
Период «кибернетических игрушек»;
Современный, связанный с практическими разработками в области искусственного интеллекта.
Созданные в разные времена механизмы могли копировать некоторые механические действия человека или другой биологической системы, но ни одно из них не умело произносить членораздельных звуков и совершать осознанные действия.
Загадка шагающих механизмов окончательно нерешена и в наше время. Она по-прежнему привлекает к себе внимание специалистов самого разного профиля.

9. Интеллектуальная задача.

Реальный мир содержит множество задач и проблем.

Определения понятий «задача» и «проблема» важны для специалистов в области:

· психологии и педагогики,

· философии и методологии науки,

· теории алгоритмов,

· системного анализа и

· искусственного интеллекта.

Усилия этих специалистов не привели к строгому определению понятий задача и проблема.

В психологии существует несколько подходов к определению понятия "задача".

· Леонтьев А.Н. определяет задачу через ситуацию, требующую от субъекта некоторого действия.

Задача

Проблема.

§ в принципе разрешима, но средства для ее выявления, формулирования и решения необходимо создать.

§ отсутствуют или участникам неизвестны средства для разрешения проблемы.

§ неизвестен и сам состав участников.

Все это требуется найти или создать в процессе:

q выявления,

q формулирования и

q разрешения проблемы.

Задачи бывают хорошо и плохо определенные.

Хорошо определенная задача:

Выбор хода в шахматах является (на данном этапе) плохо определенной задачей.

Для хорошо определенных задач, в принципе, существует некий алгоритмический метод их решения.

Представление задач всех классов не имеет единой формы.

12 3 4 5 6 7 8 9 10 Следующая ⇒

Последнее изменение этой страницы: 2019-04-19; Просмотров: 452; Нарушение авторского права страницы