Руководство по изучению дисциплины «Системы искусственного интеллекта»

Вид материала

Руководство

Содержание У. Мак-Каллок и В.Питтс Мероном – см. классификация. В. Мак-Каллок, В.Питтс и Ф. Розенблатт М. Минский и С. Пайперт Мкртчян С.О. Морфологический анализ Нейман – основоположник нейросетевых и нейрокомпьютерных технологий. Нейронные сети и нейрокомпьютеры Нейросети рекуррентные Нейросетевые и нейрокомпьютерные технологии Обобщение понятий Продукционная модель Промышленная экспертная система Подсистема объяснений Понятие. Под простым понятием понимается тройка, со­стоящая из имени Попов Э.А. Предметная область Проблемная область Пользователь (конечный пользователь) Представление знаний Процедурная информация

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.

Луллий (родился в 1235 и умер в 1315 г.) – испанский рыцарь, поэт, философ, богослов, алхимик, изобретатель. Первую зафиксирован­ную в истории попытку создания машины, моделирующей чело­веческий разум, связывают с именем Раймунда Луллия. Выражаясь современным языком, машина Луллия, по существу, представляла собой механическую экспертную систему, наделен­ную базой знаний, устройствами ввода и вывода, естественным языком общения.


М


Математический нейрон – устройство, моделирующее нейрон мозга человека. Математический нейрон тоже имеет несколько входов и один выход. Через входы математический нейрон принимает входные сигналы которые суммирует, умножая каждый входной сигнал на некоторый весо­вой коэффициент. Таким образом, математический нейрон, как и его биологи­ческий прототип, существует в двух состояниях. Если взвешенная сумма входных сигналов не достигает некоторой пороговой ве­личины, то математический нейрон не возбужден и его выход­ной сигнал равен нулю. Если же входные сигналы достаточно ин­тенсивны и их сумма достигает порога чувствительности, то ней­рон переходит в возбужденное состояние и на его выходе образу­ется сигнал. Весовые коэффициенты имитируют электро­проводность нервных волокон – силу синаптических связей меж­ду нейронами. Чем они выше, тем больше вероятность перехода нейрона в возбужденное состояние. Таким образом, математический нейрон представляет собой пороговый элемент с несколькими входами и одним выходом. Одни из входов математического нейрона оказывают возбуждающее дей­ствие, другие – тормозящее. Каждый математический нейрон имеет свое определенное значение порога.

У. Мак-Каллок и В.Питтс – ученые, предложившие конструкцию сети из математических нейронов. Они показали, что такая сеть в принципе может выполнять числовые и логические операции. Далее они выс­казали идею о том, что сеть из математических нейронов в состо­янии обучаться, распознавать образы, обобщать, т. е. она обладает свойствами человеческого интеллекта.

Мак-Каллок – один из авторов работой, заложившей теоретический фун­дамент для создания интеллектуальных устройств, не только фун­кционально, но и структурно моделирующих человеческий мозг (статья была опубликована в 1943 г.). Мак-Каллок выдвинул гипотезу математического нейрона.

Мероном – см. классификация.

В. Мак-Каллок, В.Питтс и Ф. Розенблатт – американские ученые предложившие в конце 1950-х годов первые варианты нейросети и нейрокомпь­ютера. Это были устройства, моделирующие человеческий глаз и его взаимодействие с мозгом. Устройства умели распознавать бук­вы алфавита, однако были чувствительны к их написанию.

М. Минский и С. Пайперт – авторы книги «Персептроны». В этой книге математически строго было доказано, что использовавшие­ся в то время однослойные персептроны в принципе не способны решать многие простые задачи.

Мкртчян С.О. – советский ученым, разработчик спе­циальныого математического аппарата, позволяющего без обучения строить многослойные персептроны, моделирующие любые буле­вы функции.

Модификация – один из этапов технологии разработки экспертной системы. В ходе создания экспертной системы почти по­стоянно производится ее модификация: переформулирование по­нятий и требований, переконструирование представления знаний и усовершенствование прототипа.

Морфологический анализ — анализ слов в тексте;

Манипулирование знаниями – одно из основных проблем в области искусственного интеллекта. Для того чтобы знаниями можно было пользоваться при решении задач, интеллектуализированная система должна уметь:

• оперировать знаниями;
  
• пополнять знания (с помощью разрабатываемых способов на основе неполного описания знаний);
  
• классифицировать хранящиеся в системе знания;
  
• обобщать по тем или иным разработанным процедурам зна­ния;
  
• формировать на основе знаний абстрактные понятия;
  
• осуществлять достоверный и правдоподобный вывод на ос­нове имеющихся знаний с помощью создаваемых методов;
  
• пользоваться моделями рассуждений, имитирующими осо­бенности человеческих рассуждений.
  

Манипулирование знаниями и представление знаний – эти два направления тесно связаны друг с другом. Создающаяся в настоя­щее время теория баз знаний включает исследования, относящиеся как к первому, так и ко второму направлению.


Н


Нейрокибернетика – одно из направлений развития искусственного интеллекта, зародившееся вскоре после признания искусственного интеллекта самостоя­тельной отраслью науки. Это направление называют низкоуровне­вым, или восходящим. Нейрокибернетика занимается аппаратным моде­лированием структуры мозга и его деятельности. Основную идею нейрокибернетики можно сформулировать сле­дующим образом. Единственный объект, способный мыслить, – это человеческий мозг. Поэтому любое мыслящее устройство дол­жно быть обязательно выполнено по образу и подобию человече­ского мозга, воспроизводить его структуру, его принцип действия.

Нейман – основоположник нейросетевых и нейрокомпьютерных технологий.

Нейронные сети и нейрокомпьютеры – это одно из направле­ний компьютерной индустрии, в основе которого лежит идея со­здания искусственных интеллектуальных устройств по образу и подобию человеческого мозга. Дело в том, что компьютеры, вы­полненные по схеме машины фон Неймана, по своей структуре и свойствам весьма далеки от нашего естественного компьютера – человеческого мозга.

Нейросети и нейрокомпьютеры – системы, объединяющие искусственные элементы, по­добные нейронам.

Нейросети рекуррентные. В настоящее время нашли применение рекуррентные нейросети, в которых элементы единичных задержек включены как в обратные, так и во входные связи, а сами обратные связи исходят как с выходных нейронов, так и с нейронов скрытых слоев. Рекуррентные сети рассмотренного типа широко применяют­ся также для математического моделирования динамических объек­тов. В этом случае уточнение весов выступает в роли идентифика­ции параметров динамической математической модели. Создан­ная таким образом математическая модель динамического объек­та может применяться для управления данным объектом — маши­ной, устройством, развивающимся во времени процессом.

Нейроны – взаимосвязанные нервные клетки мозга человека. Мозг человека состоит из белого и серого вещества: белое – это тела нейронов, а серое – соединяющие их нервные волокна.

Мозг человека состоит из белого и серого вещества: белое – это тела нейронов, а серое – соединяющие их нервные волокна. Каждый нейрон состоит из трех частей: тела клетки, дендритов и аксона.

Нейрон получает информацию через свои дендриты, а переда­ет ее дальше через аксон, разветвляющийся на конце на тысячи синапсов – нервных нитей, соединяющих нейроны между собой. Простейший нейрон может иметь до 10 000 дендритов, принимающих сигналы от других клеток. В человеческом мозге содержится приблизительно 10" нейронов. Каждый нейрон свя­зан с 10³... 10⁴ другими нейронами. Таким образом, биологическая нейронная сеть, составляющая мозг человека, содержит 10¹⁴... 10¹⁵ взаимосвязей.

Каждый нейрон может существовать в двух состояниях – воз­бужденном и невозбужденном. В возбужденное состояние нейрон переходит под воздействием электрических сигналов, поступаю­щих к нему от других нейронов, когда эти воздействия становятся достаточно большими. В возбужденном состоянии нейрон сам по­сылает электрический сигнал другим соединенным с ним нейро­нам.

Нейроны взаимодействуют между собой посредством коротких серий импульсов продолжительностью несколько микросекунд. Частота импульсов составляет от нескольких единиц до сотен герц, что в миллион раз медленнее, чем в современных электронных схемах. Тем не менее, такие сложные операции, как распознава­ние зрительного образа, человек выполняет за несколько сотен микросекунд. Если учесть, что скорость выполнения операций ней­ронами составляет единицы микросекунд, то вся операция рас­познавания требует около 100 последовательных нейронных опе­раций. Это значит, что при распознавании образов человеческий мозг запускает параллельные программы, каждая из которых имеет не более ста шагов. Сделанный вывод известен под названием «пра­вило ста шагов».

Известно, что общее число нейронов в течение жизни челове­ка практически не изменяется, т. е. мозг ребенка и мозг взрослого человека содержат приблизительно одинаковое число нейронов. Примерно одинаковое число нейронов содержат мозг ученого, политического деятеля и спортсмена. Отличие состоит в силе синаптических связей, т. е. в величине электрических проводимостей нервных волокон, соединяющих нейроны. На этом основании была высказана гипотеза о том, что все наши мысли, эмоции, знания, вся информация, хранящаяся в человеческом мозге, закодирова­на в виде сил синаптических связей. Если учесть, что таких связей в человеческом мозге 10'⁴... 10¹⁵, то получается, что именно такой размер имеет матрица кодов хранимой информации. Процесс же обучения человека, продолжающийся всю его жизнь, состоит в непрерывной корректировке содержимого этой матрицы.

Нейросетевые и нейрокомпьютерные технологии – одно из направлений развития искусственного интеллекта. Это направле­ние является альтернативным предыдущему как в идеологическом, так и в практическом плане. Искусственные нейронные сети и нейрокомпьютеры в значительной мере заимствуют принципы работы головного мозга. Знания в них не отделены от процессора, а равномерно распределены и существуют неявно в виде сил синаптических связей. Такие знания не закладываются изначально, а приобретаются в процессе обучения.

Неформализованные задачи – задачи, которые обладают одной или несколькими из следующих характеристик:

• они не могут быть заданы в числовой форме, т.е. задаются в качественном виде или в терминах теории нечетких множеств;
  
• цели не могут быть выражены в терминах точно определен­ной целевой функции;
  
• не существует алгоритмического решения задач;
  
• алгоритмическое решение существует, но его нельзя исполь­зовать из-за ограниченности ресурсов (время, память).
  

О


Опытная эксплуатация – один из этапов технологии разработки экспертной системы. На этом этапе проверяется пригодность экспертной системы для конечных пользователей. По результатам этого этапа может потребоваться модификация экспертной системы.

Общение – одно из основных проблем в области искусственного интеллекта. В круг задач этого направления входят:

• проблема понимания связных текстов;
  
• понимание речи и синтез речи;
  
• теория моделей коммуникации между человеком и интеллектуализированной системой;
  
• задачи формирования объяснений действий интеллектуализированной системы, которые она должна уметь порождать по просьбе человека;
  
• комплекс задач, связанных с интеграцией в единый внутрен­ний образ сообщений различной модальности (речевых, текстовых, зрительных и т.п.), полученных в процессе коммуникации.
  

На основе исследований в этом направлении формируются ме­тоды построения лингвистических процессоров, вопросно-от­ветных систем, диалоговых систем и других интеллектуализированных систем, це­лью которых является обеспечение комфортных условий для обще­ния человека с интеллектуализированной системой.

Обобщение понятий – это такая форма порождения нового по­нятия R на основе одного или нескольких подобных понятий Р и Q, когда порождаемое понятие R сохраняет общие признаки ис­ходных понятий Р и Q, но игнорирует их более тонкие различительные признаки.

Обучение – одно из основных проблем в области искусственного интеллекта. Основная черта интеллектуализированных систем – это способность к обуче­нию, т.е. решение задач, с которыми они ранее не встречались. Для этого необходимо:

• создать методы формализации условий задачи по описанию проблемной ситуации или по наблюдению за этой ситуацией;
  
• научиться переходу от известного решения частных задач (примеров) к решению общей задачи (синтез);
  
• создать приемы декомпозиции исходной для интеллектуализированной системы задачи на более мелкие так, чтобы они для интеллектуализированной системы оказались известными (анализ);
  
• разработать нормативные и декларативные модели самого процесса обучения;
  
• создать теорию подражательного поведения.
  

И такой перечень задач можно продолжить.


П


Прагматический анализ — анализ смысла предложений в окру­жающем контексте с помощью базы знаний.

Продукционная модель – это наиболее часто используемый способ представления знаний в современных экспертных систе­мах. Основными преимуществами продукционной модели явля­ются наглядность, высокая модульность, легкость внесения из­менений и дополнений, простота механизма логического вывода.

Продукционная система состоит из трех основных компонен­тов: базы правил, рабочей памяти, в которой хра­нятся исходные данные к задаче и выводы, полученные в ходе работы системы и механизма логического вывода, использу­ющего правила в соответствии с содержимым рабочей памяти.

Прототип – различные версии экспертных систем, созданные в процессе их разработки. Различают следующие виды прототипов экспертных систем: демонстрационный прототип, исследовательский прототип, действующий прототип, промышленная экспертная система, коммерческая экспертная система.

Промышленная экспертная система – обеспечивает высокое ка­чество решения всех задач при минимуме времени и памяти, что достигается переписыванием программ с использованием более совершенных инструментальных средств и языков низкого уровня. База знаний содержит 1000... 1500 правил. Время разработки – 1... 1,5 года.

Подсистема объяснений – одна из составных частей экспертной системы. Подсистема объяснений – программа, позволяющая пользова­телю получать ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое реше­ние?». Ответ на вопрос «Как?» – это трассировка всего процесса получения решения с указанием исполняющих фрагментов базы знаний, т. е. всех шагов цепи умозаключений. Ответ на вопрос «По­чему?» – ссылка на умозаключение, непосредственно предшест­вовавшее полученному решению, т. е. отход на один шаг назад.

Поведение – одно из основных проблем в области искусственного интеллекта. Так как интеллектуализированные системы должны действовать в некоторой окружающей среде, то необходимо раз­работать специальные поведенческие процедуры (бихевиористические модели), которые позволили бы им адекватно взаимодействовать с окружающей средой, другими интеллектуализированными системами и людьми. Для достижения такого взаимодействия необходимо вести исследо­вания в ряде направлений и создать модели целесо­образного поведения, нормативного поведения, си­туационного поведения, специальные методы мно­гоуровневого планирования и коррекции планов в динамических ситуациях.

Создание интеллектуализированной системы имеет существенные отличия от разработки обычного программного продукта, а слепое копирование ме­тодологий, принятых в традиционном программи­ровании, чаще всего приводит к отрицательному результату.

Самым первым вопросом, который необходимо решать всякий раз перед началом разработки кон­кретной интеллектуализированной системы, является вопрос: а следует ли вообще разрабатывать интеллектуализированную систему для данного приложения? Насколько оправдано будет ис­пользование методов и средств интеллектуализированной системы для данной задачи и даст ли это ощутимый эффект?

Эти вопросы, возникающие перед заказчиком (конечным поль­зователем) и инженером по знаниям, необходимо решать на этапе предварительного системного анализа конкретной предметной об­ласти.

Как показывает опыт исследователей, связанный с разработкой значительного числа интеллектуализированных систем, системный анализ предметной области (совокупности решаемых задач) на предмет применимости/неприменимости тех­нологии интеллектуализированных систем заключается в общем случае в проведении трех видов исследований, которые могут быть оформлены в виде последова­тельных (хотя и необязательных) этапов:

• проведение на основе системы выбранных критериев ана­лиза на уместность (обоснованность) разработки интеллектуализированной системы для дан­ной предметной области.
  
• проведение на основе системы выбранных критериев анали­за на оправданность разработки интеллектуализированной системы для данной предметной области.
  
• проведение на основе системы выбранных критериев анализа на возможность разработки интеллектуализированной системы для данной предметной области.
  

В зависимости от «да» или «нет» по этапам 1 – 3 можно сделать общее заключение о применимости или не­применимости технологии интеллектуализированных систем для анализируемой предметной области. В настоящее время уже сформиро­вался набор критериев (необходимых требований), которые могут быть взяты за основу при проведении системного анализа предметной области.

Следует обратить внимание на то, что для получения совокуп­ного «да» по исследованиям на «уместность» (обоснованность), а также на «возможность» разработки интеллектуализированных систем необходимо проверять все перечисленные критерии, каждый из которых может быть про-ранжирован или «взвешен» с помощью коэффициентов выбранной шкалы весов (рангов).

Для получения совокупного «да» по исследованиям на «оправ­данность» разработки интеллектуализированных систем достаточно провести проверку выпол­нения хотя бы одного из перечисленных критериев.

Эти особенности необходимо учитывать при разработке блока «Системный анализ предметной области» будущей системы (назовем ее для общно­сти – КОНСУЛЬТАНТ). Специального обсуждения типа проекти­руемой системы КОНСУЛЬТАНТ не будет, поскольку это право каждого студента решать, что ему лучше разработать – некоторую традиционную информационно-поисковую систему с базой данных или про­стейшую интеллектуализированную систему продукционного типа, которая будет выступать в ка­честве своеобразной интеллектуализированной системы, предметной областью для которой явля­ется «Проектирование интеллектуализированных систем» или что-то другое.

В качестве типового примера рассмотрим вариант реализации некоторой гипотетической интеллектуализированной системы, которая осуществляет консульта­ции, используя знания из базы знаний «Системный анализ предметной области».

Понятие. Под простым понятием понимается тройка, со­стоящая из имени, интенсионала и экстенсионала понятия.

Имя понятия – любой идентификатор; интенсионал поня­тия – множество атрибутов (свойств) понятия с областями их оп­ределения; экстенсионал понятия – совокупность кортежей значе­ний, удовлетворяющих интенсионалу; атрибуты – первичные ха­рактеристики данной предметной области, не подлежащие дальнейшей структури­зации.

Сложные понятия – это понятия, образованные из ранее определенных понятий применением некоторых правил.

Следует добавить, что простота или сложность понятий являет­ся явлением относительным и изменяющимся с развитием науки, причем изменение статуса понятия возможно и в процессе разра­ботки конкретной интеллектуализированной системы. Отметим также, что для определения по­нятийной структуры области необходимо выявление отношений на множестве понятий, которые являются отражением объективных законов предметной области или субъективных мнений специалистов.

Напомним, что классические модели данных (иерархические и сетевые) базируются на таких понятиях, как запись, атрибут и связь. Современные модели данных (реляционные и семантиче­ские) используют математическое понятие отношение, которое за­дается на множествах, и понятие объекта для представления сущ­ностей предметных области в базе данных.

В соответствии с данными определениями отметим следующее. Структура признаков – это совокупность взаимосвязанных признаков (атрибутов), характеризующих понятие, выделяющих его среди других понятий. Признаки, входящие в совокупность, называются существенными. Их состав определяется исходя и ч множества понятий, в котором необходимо выделить рассматри­ваемое.

Совокупность существенных признаков, характеризующих понятие, называется его содержанием (интенсионалом).

Переконструирование – один из этапов технологии разработки экспертной системы. Переконструирование выбранного ранее способа представле­ния знаний предполагает возврат с этапа тестирования на этап формализации.

Пе­репроектировании – один из этапов технологии разработки экспертной системы Если возникшие проблемы при разработки экспертной системы серьезны, то после не­удачи на этапе тестирования может потребоваться возврат на этап концептуализации и идентификации. В этом случае речь идет о переформулировании понятий, используемых в системе, т.е. пе­репроектировании системы заново.

Попов Э.А. – авторов, рассматриваемой в лекционном курсе, последовательности разработки экспертных сис­тем.

Питтс – соавтор работ Мак-Каллока. Вальтер Питтс выдвинул гипотезу математического нейрона.

Персептроны – модельные нейро­ны Мак-Каллока – Питтса.

Предметная область – объектно-ориентированным образом выделенная и формально описанная область человеческой деятель­ности (множество сущностей, описывающих область исследования или экспертизы).

Проблемная область – предметная область плюс совокупность решаемых в ней задач.

Признаковый метод. Согласно этому методу изображение каж­дого распознаваемого символа представляется как объект в n-мерном пространстве признаков. Сами признаки устанавливаются и вычисляются на стадии предварительной обработки изображений. Полученный n-мерным вектор сравнивается с эталонными, и изоб­ражение относится к наиболее подходящему из них.

Каждый искусно подобранный признак резко сокращает число возможных букв. Например, достаточно знать, что левый верхний угол буквы скруглен, и из тридцати трех букв русского алфавита остаются лишь девять кандидатов (а, б, е, з, о, с, ф, э, я). Букв, содержащих две «ноги» (вертикальные отрезки на всю высоту бук­вы) всего десять (и, й, л, м, н, п, ц, ш, щ, ы). Таким образом, задав несколько простых вопросов, можно по ответам на них од­нозначно определить букву. Как видим, это тот самый подход, который заложен в пандемониуме и персептроне.

Все методы имеют свои недостатки, и, разумеется, лучше при­менять их комбинации. Теоретически это просто. Однако програм­мы, позволяющие подойти к практическому решению этой зада­чи, были созданы только в конце 1980-х гг.

Пользователь (конечный пользователь) – лицо, для которого предназначена система.

Подсистема объяснений – программа, позволяющая пользовате­лю получать ответы на вопросы: как была получена та или иная ре­комендация и почему система приняла такое решение?

Представление знаний – одно из основных проблем в области искусственного интеллекта. В рамках этой проблемы решаются за­дачи, связанные с формализацией и представлением знаний в памя­ти интеллектуализированной системы. Для этого разрабатываются специальные модели представ­ления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых интеллектуализированная система может черпать знания, и создаются процедуры и приемы, с помощью которых воз­можно приобретение знаний для интеллектуализированной системы. Проблема представления знаний для интеллектуализированной системы чрезвычайно актуальна, так как интеллектуализированная система – это система, функционирование которой опирается на знания о проблемной области, которые хранятся в ее памяти.

Процедурная информация – информация, с которой имеет дело ЭВМ, овеществленная в программах, которые выполняются в процессе решения задач.


Р