Руководство по изучению дисциплины «Системы искусственного интеллекта»

Вид материала

Руководство

Содержание 5. Список литературы Декларативная информация Знания глубинные Знания процедурные Знания декларативные Искусственный интеллект Интеллектуальная система Интеллектуальные системы, основанные на знаниях Интеллектуальные роботы Интеллектуальное математическое моделирование Интеллектуальный редактор базы знаний Инженер по знаниям (когнитолог, инженер-интерпретатор) Интегрирован­ная интеллектуализированная система Интерфейс пользователя Исследовательский прототип Интенсионал понятия Кон­цепция знаний Коэффициент доверия Коммерческая экспертная система

Подобный материал:

• Системы искусственного интеллекта, 15.16kb.
• Системы искусственного интеллекта, 58.18kb.
• Программа дисциплины основы искусственного интеллекта (дпп. Ф. 10) для специальностей, 126.28kb.
• Задачи искусственного интеллекта 6 Тест по теме «История развития искусственного интеллекта», 1504.97kb.
• В. К. Финн к структурной когнитологии: феноменология сознания с точки зрения искусственного, 366.95kb.
• Системы искусственного интеллекта и нейронные сети, 208.41kb.
• Программа дисциплины сд. Ф системы искусственного интеллекта для студентов специальности, 295.9kb.
• Статья рассматривает вопросы в области информационных технологий в системах: человек-машина,, 261.17kb.
• Рабочая программа дисциплины системы искусственного интеллекта специальности 351500, 137.74kb.
• Программа дисциплины «Системы искусственного интеллекта», 270.63kb.

5. Список литературы

1. Гаскаров Д.В. Интеллектуальные информационные системы. Учебник для вузов. – М.: Высшая школа, 2003. – 431 с. 1/1 *
   
2. Ясницкий Л.Н. Введение в искусственный интеллект. Учебное пособие для студ. высш. учеб. заведений. – М.: Издательский центр «Академия», 2005. – 176 с. 1/1 *
   
3. Искусственный интеллект. Книга 1. Системы общения и экспертные системы./ Под ред. проф. Э.В.Попова. – М.: Радио и связь, 1990. – 461с. 1/4
   
4. Искусственный интеллект. Книга 2. Модели и методы. / Под ред. проф. Д.А.Поспелова. – М.: Радио и связь, 1990. – 304 с. 1/4
   
5. Искусственный интеллект. Книга 3. Программные и аппаратные средства. / Под. ред. В.Н.Захарова, В.Ф.Хорошевского. – М.: Радио и связь, 1990. – 320с. 1/4
   
6. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб: Питер, 2000. – 384 с. 1/8
   
7. Ярушкин Н.Г. Основы теории нечетких и гибридных систем. Учебное пособие. – М.: Финансы и статистика, 2004. – 320 с. 1/1 *
   
8. Попов Э.В. Экспертные системы. – М.: Наука, 1987. — 283 с.
   
9. Искусственный интеллект: Справочник: В 3 т. – М.: Радио и связь, 1990.
   
10. Искусственный интеллект. Применение в интегрированных производствен­ных системах/Под ред. Э.Кьюсиака. – М.: Машиностроение, 1991. – 544 с.
    
11. Хорошевский В.Ф. Автоматизация программирования экспертных систем: Учеб. пособие. – М.: МИФИ, 1988.
    
12. Хорошевский В.Ф. Механизмы вывода решений в экспертных системах: Учеб. пособие. – М.: МИФИ, 1988.
    
13. Лорьер Ж. –Л. Системы искусственного интеллекта. – М.: Мир, 1991. – 568 с.
    
14. Ларичев О.И. Теория и методы принятия решений. – М.: Логос, 2000.
    
15. Цалепко М.Ш. Моделирование семантики в базах данных. – М.: Наука, 1989. – 287 с.
    
16. Малпас Дж. Реляционный язык и его применение. – М.: Наука, 1990. – 464 с.
    
17. Свами М., Тхуласираман К. Графы, сети и алгоритмы. – М.: Мир, 1984. – 455 с.
    
18. Хант Э. Искусственный интеллект: Пер. с англ. – М.: Мир, 1978.
    
19. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных сис­тем. – СПб.: Питер, 2000. – 348 с.
    
20. Максименко А.В., Селезнев М.Л. Основы проектирования информационно-вычислительных систем и сетей. – М.: Радио и связь, 1991. – 320 с.
    

6. Глоссарий


А


Абстракция – это выделение существенных признаков и связей понятий, используемых при решении данной задачи, и игнориро­вание несущественных. Абстрагирование является основным мето­дологическим приемом при разработке программного обеспечения. Оно позволяет разбить решаемую задачу на подзадачи, каждая из которых проще исходной задачи. Причем при рассмотрении на­чальной задачи нет необходимости учитывать те детали и ту более подробную информацию, которые используются на этапе рассмот­рения подзадач. В поле зрения должны находиться только те сведе­ния, которые позволяют охватить проблему целиком и осуществить ее декомпозицию на более простые подзадачи.

Абстрагирование обеспечивает упорядочение, структуризацию и понимание информации о реальном мире. Поэтому методы абст­ракции широко используются в формальном описании предметной области.

Известны следующие основные типы абстрагирования понятий: агрегация, обобщение, типизация и ассоциация.

Архетип – см. классификация.


Б


База знаний – одна из составных частей экспертной системы. База знаний – ядро интеллектуализированной системы (например, экспертной системы), совокупность знаний предметной области, записанная на машинном носителе в фор­ме, понятной эксперту и пользователю, т.е. на языке пред­ставления знаний (обычно приближенном к естественному).


В


Восприятие – одно из основных проблем в области искусственного интеллекта. Это направление включает:

• проблемы анализа трехмерных сцен;
  
• разработку методов представления информации о зрительных образах в базе знаний;
  
• создание методов перехода от зрительских сцен к их тексто­вому описанию и методов обработки перехода;
  
• разработку процедур когнитивной графики;
  
• создание средств для порождения зрительских сцен на основе внутренних представлений в интеллектуализированной системе.
  

Существуют большие возможности в повышении уровня интел­лектуальности интеллектуализированной системы за счет обработки зрительной (образной) ин­формации и соотнесения ее с обработкой символьной (текстовой) информации.

Выполнение – один из этапов технологии разработки экспертной системы. На этом этапе осуществляется наполнение экспертом базы зна­ний. Процесс приобретения знаний разделяют на извлечение зна­ний из эксперта, организацию знаний, обеспечивающую эффек­тивную работу системы, и представление знаний в виде, понят­ном экспертной системе. Из-за эвристического характера знаний их приобретение является весьма трудоемким.

Вильямс – один из создателей эффективного алгоритма обучения многослойных персептронов, открывший путь для их широкого практического применения (работа Румельхарта, Хилтона и Вильямса, опубликованная в 1986 г.). Интересно, что данный фундаментальный алго­ритм, называемый алгоритмом обратного распространения ошибки (back propagation), был предложен на один год ранее в работах Паркера и Ле-Кана, изданных независимо одна от другой. Более того, еще в 1974 г. этот простой и изящный алгоритм обратного распространения ошибки был защищен Вербосом в его доктор­ской диссертации.


Д


Данные – это отдельные факты, характеризующие объекты, про­цессы и явления предметной области, а также их свойства. При обработке на ЭВМ данные трансформируются, последо­вательно проходя следующие этапы:

• данные, существующие как результат измерений и наблюде­ний;
  
• данные на материальных носителях информации – в табли­цах, протоколах, справочниках;
  
• структуры данных в виде диаграмм, графиков, функций;
  
• данные в компьютере на языке описания данных;
  
• базы данных.
  

Для хранения данных используются базы данных. Для них ха­рактерны большой объем и относительно небольшая стоимость информации.

Декларативная информация – информация, с которой имеет дело ЭВМ, овеществленная в данных, с которыми эти программы работают.

Демонстрационный прототип – экспертная система, которая решает часть требуемых задач, демонстрируя жизнеспособность метода инженерии знаний. Работает, имея в базе знаний всего 50... 100 правил. Время разработки такой экспертной системы – 6... 12 мес.

Действующий прототип — надежно решает все задачи, но для решения сложных задач может потребоваться много времени и памяти. База знаний содержит 500... 1000 правил. Время разработ­ки – 6... 12 мес.

Денотат знака — это конкретная сущность или предмет, на кото­рые указывает данный знак. Другими словами, денотат знака является способом интерпретации данного знака в рамках некоторой ситуа­ции, рассматриваемой в предметной области. Денотат знака – это значение, которое может иметь знак в рамках данной знаковой ситуации.


З


Знания – это выявленные закономерности предметной области. Знания связаны с данными, основываются на них, но представ­ляют собой результат мыслительной деятельности человека, обоб­щают его опыт, полученный в ходе практической деятельности. При обработке на ЭВМ знания трансформируются аналогично данным:

• знания, существующие в памяти человека как результат обуче­ния, воспитания, мышления;
  
• знания, помещенные на материальных носителях – учебни­ках, инструкциях, методических пособиях, книгах;
  
• знания, описанные на языках представления знаний и поме­щенные в компьютер;
  
• базы знаний.
  

Для хранения знаний используются базы знаний, которые отличаются сравнительно небольшими объемами, но исключительно дорогими информационными массивами.

Знания могут быть классифицированы на поверхностные и глубинные. Кроме того, знания можно разделить на процедурные и деклара­тивные.

Знания глубинные – абстракции, анало­гии, схемы, отображающие структуру и процессы в предметной области.

Знания поверхностные – зна­ния о видимых взаимосвязях между отдельными событиями и фактами в предметной области.

Знания процедурные – зна­ния, растворенные в алгоритмах. Исторически первичными были именно процедурные знания. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием искусственного интеллекта приоритет дан­ных постепенно изменялся и все большая часть знаний сосредо­точивалась в структурах данных, т. е. увеличивалась роль деклара­тивных знаний.

Знания декларативные – зна­ния, растворенные в структурах данных. Существуют десятки способов представления декларативных знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам: продукционные, фрей­мы, семантические сети.


И


Игры и творчество – одно из направлений развития искусственного интеллекта. Традиционно искусственный интеллект включает в себя интеллектуальные задачи, решаемые при игре в шахматы, шашки, го, каллах. В основе этого направления лежит один из ранних подходов – лабиринтная модель плюс эвристики. Кроме того, в современных программах-игроках наиболее полно удалось реализовать центральную идею искусственного интеллек­та – обучение, самообучение и самоорганизацию.

В широком смысле слова под игрой понимается некая конф­ликтная ситуация, участники которой своими действиями не толь­ко достигают своих личных целей, но и влияют на достижимость целей другими участниками игры. Ясно, что под такое толкование игры подпадают многие экономические, политические и воен­ные конфликты.

Компьютерное творчество представляет пока чисто теорети­ческий интерес. Наибольший прогресс достигнут в сочинении компьютерной музыки. Разработаны различные модели художе­ственного и поэтического творчества, имеющие больше познава­тельный, чем практический интерес.

Искусственный интеллект – это раздел информатики, посвященный моделированию интеллектуальной деятельности челове­ка. Зародившийся более 700 лет назад в средневековой Испании искусственный интеллект оформился в самостоятельную научную область в середине XX в.

Сегодня искусственный интеллект – это обширная область исследований и разработок интеллектуальных систем, предназна­ченных для работы в трудно формализуемых областях деятельнос­ти человека. Для задач, решаемых методами искусственного ин­теллекта, характерно наличие большого числа степеней свободы с числом вариантов поиска решений, приближающимся к беско­нечности. В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, жить самостоятельной, не зависящей от воли разработчика жизнью.

Интеллектуальная система – это информаци­онно-вычислительная система с интеллектуальной поддержкой при решении задач без участия оператора.

Интеллектуализированная система – это информаци­онно-вычислительная система с интеллектуальной поддержкой при решении задач с участием оператора – лица, принимающего реше­ние.

Под интеллектуализированной системой будем понимать систему, способную принимать решение в условиях:

а) необходимости обрабатывать и анализировать большой мас­сив информационной базы данных;

б) ограниченной информации;

в) неопределенности;

г) многомерного пространства;

д) необходимости распознавать ситуацию (образы, сцены и т.д.);

е) различных стадий жизненного цикла объектов (процес­сов) — проектирования, производства, эксплуатации;

ж) динамических, эволюционизирующих, нестационарных фак­тов, влияющих на решение задачи;

з) формализации и представления знаний;

и) адаптации, самообучения, самоорганизации и т.д.

Таким образом, если информаци­онно-вычислительная система имеет необходимую математическую, алгоритмическую, программную и инструментальную поддержку в принятии решения в перечисленных условиях, то будем считать, что она имеет интеллектуальную поддержку при решении широко­го класса разнообразных задач.

К интеллектуализированным системам общего назначения отне­сены те, которые не только исполняют заданные процедуры; но на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач.

К специализированным интеллектуализированным системам отнесены те, которые выполняют решение фиксированного набора задач, предопределенного при проектировании системы. Для использования таких систем требует­ся наполнить их данными, соответствующими выбранному прило­жению (прикладным задачам, предметной области).

Интеллектуальные системы, основанные на знаниях – одно из направлений развития искусственного интеллекта. До недавнего времени это направление считалось основным и наиболее плодотворным в развитии искусственного интеллекта. Оно связано с разработкой моделей представления знаний, со­зданием баз знаний, образующих ядро экспертных систем.

Интеллектуальные роботы – одно из направлений развития искусственного интеллекта. Роботы — это технические устрой­ства, предназначенные для автоматизации человеческого труда. Само слово «робот» появилось в 20-х гг. XX в. Его автор – чешский писатель Карел Чапек.

В настоящее время в промышленности применяется огромное количество роботов-манипуляторов, работающих по жесткой схе­ме управления. В отличие от них интеллектуальные роботы облада­ют способностью самообучаться и самоорганизовываться, адап­тироваться к изменяющейся окружающей обстановке.

Интеллектуальное математическое моделирование – одно из направлений развития искусственного интеллекта. Это компь­ютерное математическое моделирование с использованием мето­дов искусственного интеллекта.

Интеллектуальные системы подобного рода имитируют твор­ческую деятельность математика-профессионала, занимающегося решением краевых задач математической физики. Они обладают базами знаний, содержащими нужные теоремы, математические зависимости и эвристические правила, обобщающие опыт и ин­туицию математика-профессионала, способны к обучению с по­мощью учителя и к самообучению.

Интеллектуальный редактор базы знаний – одна из составных частей экспертной системы. Интеллектуальный редактор базы знаний – программа, пред­ставляющая инженеру-когнитологу и программисту возможность создавать базу знаний в диалоговом режиме. Она включает в себя системы вложенных меню, шаблонов языка представления зна­ний, подсказок (help-режим) и других сервисных средств, облег­чающих работу с базой знаний.

Инженер по знаниям (когнитолог, инженер-интерпретатор) – специалист по искусственному интеллекту, выступающий в роли промежуточного буфера между экспертом и базой знаний.

Интегрирован­ная интеллектуализированная система – система, состоящая из традиционной интеллектуализированной системы и других программ­ных систем, с которыми интеллектуализированная система взаимодействуют в про­цессе работы (СУБД, пакеты прикладных программ, элек­тронные таблицы и т.д.). Базовой проблемой в таких интеллектуализированных системах является проблема интегра­ции, которую можно рассматривать с точки зрения следующих ас­пектов:

• интеграция в интеллектуализированной системе различных компонентов, определяющих спе­цифику функционирования системы в целом (интеллектуализированная система с поверхностной и глубинной интеграцией компонентов);
  
• интеграция (функциональная, структурная, концептуальная), связанная с основными проектными решениями и концепциями;
  
• интеграция (информационная, программная, техническая), свя­занная с используемыми технологиями программирования, инстру­ментальными средствами и платформами.
  

Интерфейс пользователя – одна из составных частей экспертной системы. Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с интеллектуализированной системой (например, экспертной системой) на стадии как ввода информации, так и получения результатов (фактически на всех стадиях функционирования интеллектуализированной системы).

Исследовательский прототип – экспертная система, которая решает все требуемые задачи, но неустойчива в работе и непол­ностью проверена. База знаний содержит 200...500 правил. Разра­ботка занимает 3...6 мес.

Идентификация (постановка задачи) – один из этапов технологии разработки экспертной системы. На этапе устанавливаются задачи, которые подлежат решению, выявляются цели разработки, требования к экспертной системе, ресурсы, используе­мые понятия и их взаимосвязи, определяются методы решения задач. Цель этапа — сформулировать задачу, охарактеризовать под­держивающую ее базу знаний и таким образом обеспечить на­чальный импульс для развития базы знаний.

Интенсионал понятия – это тот смысл, который мы вкладываем в данное понятие, т. е. интенсионал характеризует концепт данного понятия, его содержание.

Индивидуализация – процесс перехода от ассоциации понятий к отдель­ным понятиям. При этом происходит абстрагирование от имеющихся связей между дву­мя понятиями, что позволяет рассматривать их независимо друг от друга и, следовательно, значительно упростить представление предметных областей при формировании базы знаний.


К


Компьютерная лингвистика – одно из направлений развития искусственного интеллекта. Начиная с 50-х гг. XX в. и по насто­ящее время одной из популярных тем исследований искусствен­ного интеллекта является область машинного перевода. Первая программа в этой области – переводчик с английского языка на русский. Первая идея – пословный перевод. В настоящее время используются более сложные структуры естественно-языковых интерфейсов, которые включают в себя: морфологический анализ, синтаксический анализ, семантический анализ и прагматический анализ.

Другой проблемой компьютерной лингвистики является раз­работка естественно-языкового интерфейса между человеком и машиной. Здесь немаловажную роль могут сыграть нейросетевые технологии, с помощью которых удается научить компьютер пра­вильному произношению слов. В проектах создания компьютеров V и VI поколений решению этой проблемы уделено первостепен­ное внимание.

Кибернетика – одно из направлений развития искусственного интеллекта, зародившееся вскоре после признания искусственного интеллекта самостоя­тельной отраслью науки. Это направление называют высокоуровневым, или нисходя­щим. В отличии от нейрокибернетики кибернетика «черного ящика» не придает значения принципу действия мыслящего устройства, а ориентировано на поиск алгоритмов решения интеллектуальных задач с использованием существующих компьютеров независимо от их аппаратной базы. Задача кибернетики состоит в создании адекватной модели функциональной деятельности мыслящего устройства.

Концептуализация – один из этапов технологии разработки экспертной системы. На этом этапе проводится содержательный анализ про­блемной области, выявляются используемые понятия и их взаи­мосвязи, определяются методы решения задач.

Кон­цепция знаний – некоторый абстрактный тип информации или данных объединяющий в себе многие черты процедур­ной и декларативной информации.

Кодд Э. Ф. – ученый, который в 1979 г. предложил наиболее удачную в смысле математической строгости и прагма­тической полноты расширенную реляционную модель базы данных. Эта модель в отличие от дру­гих интересна еще тем, что при ее разработке была удовлетвори­тельно решена задача уточнения как информационного, так и манипуляционного аспектов базы данных.

Коэффициент доверия – это некоторый весовой коэффициент, позволяющий экспертам различать знания по степени надежности, важности, четкости и т.д. Такие знания обрабатываются с помощью алгоритмов нечеткой математики.

В процессе опытной эксплуатации коэффициенты доверия мо­гут подвергаться корректировке. В этом случае говорят, что проис­ходит обучение экспертной системы. Процесс обучения эксперт­ной системы может производиться автоматически с помощью обучающего алгоритма либо путем вмешательства инженера-когнитолога, выполняющего роль учителя.

Коммерческая экспертная система – отличается от промыш­ленной тем, что помимо собственного использования она может продаваться различным потребителям. База знаний содержит 1500... 3000 правил. Время разработки – 1,5... 3 года. Стоимость – 0,3... 5 млн долларов.

В настоящее время уже сложилась определенная технология разработки экспертных систем, которая состоит из следующих этапов, схематично изображенных на рис. 2.5.

Классификация – одна из простейших регулярных структур-взаимосвязей однотипных понятий. Ее значе­ние определяется, в первую очередь, тем, что она задает на множе­стве рассматриваемых понятий однородную структуру (семантиче­скую сеть), которая носит глобальный характер в рамках данной предметной области.

Классификация играет фундаментальную роль как логическое средcтво целостного описания некоторой части реального мира, гак как предшествует этапу анализа более тонких, а потому и более частных связей между понятиями предметной области, которые должны быть выявлены при решении конкретных прикладных проблем. Она представляет системным аналитикам и разработчи­кам функциональных задач интеллектуализированной информаци­онной системы целостную совокупность инвариантных для данной предметной области понятий, которые выполняют роль естествен­ных координат для описания функциональных задач предметной области и тем самым позволяют ограничиться рассмотрением толь­ко допустимых классов сущностей без потери информации. Кроме того, увеличение степени абстракции, которое достигается при пе­реходе от одного уровня классификационной схемы к другому, по­зволяет существенно повысить выразительность спецификации предметной области, обеспечивая более ясное и более сжатое пред­ставление информации. При этом открывается возможность уста­навливать связи не только между базовыми понятиями предметных областей, нахо­дящимися на нижнем уровне классификационной схемы, но и ме­жду понятиями верхних уровней. Это обстоятельство делает поня­тия, созданные в рамках классификационной схемы, гибким инст­рументом анализа предметной области в целом.

Классификация – это выделение на основе существенных призна­ков из некоторого множества понятий универсального класса всех входящих в него подмножеств (подклассов) и установление между выделенными подмножествами отношения порядка. Признаки, на основе которых производится выделение из универсального класса всех его подклассов, называются классификационными.

В классификационных системах класс сходных сущностей называют классификационным таксоном, а способ членения этих сущностей на отдельные части, позволяю­щий установить их сходство, – мерономией. Таким образом, таксон – это объем (экстенсионал) некоторого класса, а мероно­мия – содержание (интенсионал) понятия, связываемого с данным классом. Если таксономия определяет знание о внешней структуре связей между классами сущностей предметной области, используя многоуровневую абстракцию обобщения и отношение ЕСТЬ-НЕКОТОРЫЙ, то ме­рономия задает внутреннее устройство классов с помощью отно­шения ЧАСТЬ-ЦЕЛОЕ.

Таксономия и мерономия тесно связаны между собой. С одной стороны, признаки сущностей служат для разделения и распозна­вания сущностей, а с другой – для группирования сходных сущно­стей и классы (таксоны).

Упорядоченную совокупность признаков, характеризующих данный таксой с точки зрения внутренней структуры входящих в него сущностей, назовем архетипом. Архетип – это некоторая внутренняя структура, которую мож­но обнаружить во всех сущностях соответствующего таксона.

Здесь уместно указать на существенное различие между схемой класса, понимаемой как подмножество множества имен классифи­кационных признаков, дополненного собственными характеристи­ческими признаками класса, и архетипом. Дело в том, что в архе­тип таксона входят не только имена признаков, но и их значения. Другими словами, с архетипом в классификации связывают интенсионал таксона. Архетип – это структура отдельных частей клас­сов, составляющих классификационную схему. Эти части в класси­фикации называют меронами. Фактически это значит, что мерены совпадают с классификационными признаками понятий.


Л