Neural Network Wizard 7 учебно-методическое пособие

Вид материала

Учебно-методическое пособие

Содержание 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 Компьютерная лингвистика Кон­цепция знаний Коэффициент доверия Коммерческая экспертная система Математический нейрон 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 ... Полное содержание

Подобный материал:

• В. А. Жернов апитерапия учебно-методическое пособие, 443.6kb.
• Учебно-методическое пособие Минск Белмапо 2007, 695.29kb.
• Е. С. Кравцова Л. А. Шуклина Учебно-методическое пособие, 289.21kb.
• Учебно методическое пособие, 771.33kb.
• И. В. Бернгардт литературно музыкальная гостиная учебно-методическое пособие, 582.04kb.
• Учебно-методическое пособие предназначено для врачей офтальмологов стационаров и поликлиник, 196.43kb.
• Учебно-методическое пособие разработана: ст преп. Бондаренко Г. В. Дата разработки, 409.75kb.
• Учебно-методическое пособие для студентов дневного и заочного отделений специальности, 381.12kb.
• Сагимбаев Алексей Викторович учебно-методическое пособие, 1354.91kb.
• Учебно-методическое пособие по дисциплине «Английский язык: базовый курс», 557.31kb.

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);

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;
  
• 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.

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 пятого и шестого 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 отличие 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 коммерческой экспертной системы – 1,5... 3 года. Стоимость – 0,3... 5 млн долларов.

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 средство 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 в классы (таксоны).

Упорядоченную совокупность признаков, характеризующих данный таксон 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 мерономами. Фактически это значит, что мерономы совпадают с классификационными признаками понятий.

Луллий – 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.

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 работы, 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 – одна 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.

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 10⁴... 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).
  

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.

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 модель 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, исследовательский, действующий, промышленный, коммерческий.

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 – одна 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:

1. проведение на основе системы выбранных критериев ана­лиза на уместность (обоснованность) разработки интеллектуализированной системы для дан­ной предметной области;
   
2. проведение на основе системы выбранных критериев анали­за на оправданность разработки интеллектуализированной системы для данной предметной области;
   
3. 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 проранжирован 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.

Структура признаков – это совокупность взаимосвязанных признаков (атрибутов), характеризующих понятие, выделяющих его среди других понятий. Признаки, входящие в совокупность, называются существенными. Их состав определяется, исходя из 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.

Пе­репроектирование – 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. – один из 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-мерный 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 – одна 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.

Радиально-базисная функция (RBF) – функция, радиально изменяющаяся вокруг некоторого центра, заданного вектором, и принимающая ненулевые значения только в окрест­ности этого центра. Ее аргументом является расстояние между те­кущим и заданным векторами. В некотором смысле нейроны, имеющие радиально-базисные активационные функции, являются логическим дополнением ней­ронов со ступенчатыми и сигмоидными активационными функ­циями.

Распознавание образов – одно из направлений развития искусственного интеллекта. К распознаванию образов в искусствен­ном интеллекте относят широкий круг проблем: распознавание изображений, символов, текстов, запахов, звуков, шумов. На рынке программных средств имеются системы, основанные на распознавании по признакам, оснащенные базами данных и зна­ний, имеющих возможность адаптации и обучения. Однако в пос­леднее время становятся популярными гибридные системы, в ко­торых наряду с технологиями экспертных систем используются и нейросетевые технологии.

Решатель (машина логического вывода, дедуктивная машина, ин­терпретатор) – одна из составных частей экспертной системы. Решатель – (синонимы: дедуктивная машина, блок логического вы­вода) – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Розенблатт – ученый, материализовавший в 1958 г. идеи Мак-Каллока и Питтса сначала в виде компьютерной программы для ЭВМ IBM-794, а затем, спустя два года, в виде электрон­ного устройства, моделирующего человеческий глаз. Это уст­ройство, имеющее в качестве элементной базы модельные нейро­ны Мак-Каллока – Питтса и названное персептроном, удалось обучить решению сложнейшей интеллектуальной задачи – рас­познаванию букв латинского алфавита. Таким образом, удалось проверить основные гипотезы функционирования человеческого мозга и сам механизм его обучаемости. «Нельзя сказать, что мы точно воспроизводим работу человеческого мозга, – признавал Фрэнк Розенблатт, – но пока персептрон ближе всего к истине». Для некоторого класса интеллектуальных систем распозна­вания образов Фрэнком Розенблаттом в 1950-х гг. был введен термин «персептрон».

Румельхарт – см. Вильямс.

Саймон – американский экономист и социолог, исследователь в об­ласти теории управления, моделирования социальных процессов. В 1957 г. он сделал ряд предсказаний по поводу развития искусственного интеллекта. Приведем некоторые из них:

• в ближайшее десятилетие ЭВМ завоюет титул чемпиона мира по шахматам;
  
• в пределах десяти лет ЭВМ откроет и сумеет доказать важную новую математическую теорему;
  
• в десятилетний срок большинство теорий в области психоло­гии примет вид программ для вычислительной машины.
  

Семантический анализ – анализ смысла каждого предложения на основе базы знаний, на которую ориентирована конкретная программа-переводчик.

Семантическая сеть пред­ставляет собой ориентированный граф, вершинами которого яв­ляются понятия, а дугами – отношения между ними. Сам термин «семантическая» означает смысловая.

Основным преимуществом этой модели является наглядность представления знаний, а также соответствие современным пред­ставлениям об организации долговременной памяти человека. Недостаток – сложность поиска вывода, а также сложность кор­ректировки, т.е. удаления и дополнения сети новыми знаниями.

Сегментация – отнесение элементов изображения либо к компонентам образа, либо к фону. Обычно изображение состоит из двух частей: ком­понентов образа, подлежащего распознаванию, и фона. Существуют два метода сег­ментации – разделение по порогу и обнаружение края.

Синтаксический анализ – анализ предложений, грамматики и связей между словами.

Система с интеллектуальной поддержкой – систе­ма, способная самостоятельно принимать решения.

Под способностью системы самостоятельно принимать реше­ние необходимо понимать способность системы получать и анали­зировать информацию, понимать ее и делать новые выводы (по­полняя ее), формулировать заключения, т.е. «мыслить», помогая естественному интеллекту – человеку, который, в свою очередь, корректируя, «улучшает» принятое интегрированное решение.

Структурный метод. Распознаваемый объект описывается как граф, узлами которого являются элементы входного объекта, а дугами – пространственные отношения между ними. Системы, реализующие подобный подход, обычно работают с векторными изображениями. Структурными элементами являются линии, составляющие символ. Так, для буквы «р» – это вертикальный отрезок и дуга.

Сущность – это объект произвольной приро­ды, принадлежащий реальному или воображаемому (виртуальному) миру. На самом общем уровне сущности делятся на следующие ка­тегории (классы): предмет, свойство (атрибут), состояние, процесс, событие, оценка, модификатор, квантификатор, модальность. Лю­бое понятие относится к одной из этих категорий .

Сущность предметной области необходимо адекватным образом представить в памяти вычислительной машины, чтобы с ее помощью обеспечить поиск, анализ, обработку и выдачу накопленной информации в форме, удобной для принятия решений. Эта задача может быть ре­шена путем использования соответствующих средств описания предметной области, предоставляющих необходимые базовые понятия, инвариант­ные по отношению к любым предметным областям, и правила, позволяющие строить более сложные синтаксические конструкции на основе базовых. Средства предоставления информации о предметной области различные исследова­тели называют по-разному. Под понятием (концептом) понимается класс сущностей, объ­единяемых на основе общности признанных (атрибутивных) структур. Следует отметить, что наиболее естественным для человека способом описания любых сущностей предметных областей является соотнесение с ними в собственной памяти совокупности определенных понятий (простых и сложных), образующих понятийную структуру предмет­ной области, а в памяти ЭВМ – как правило, некоторых объектов, состоящих из атрибутов со значениями (хотя это не единственный способ реализации описания понятий в памяти ЭВМ).

Таксон – см. классификация.

Тестирование – один из этапов технологии разработки экспертной системы. На этом этапе эксперт и инженер по знаниям в интерактив­ном режиме, используя диалоговые и объяснительные средства, проверяют компетентность экспертной системы. Процесс тести­рования продолжается до тех пор, пока эксперт не решит, что система достигла требуемого уровня компетентности.

Теорема сходимости персептрона формулируется следующим образом. Если существует множество значений весовых коэффициентов, которые обеспечи­вают конкретное различение образов, то в конечном итоге алгоритм обучения персептрона приводит либо к этому множеству, либо к эк­вивалентному ему множеству, такому, что данное различение обра­зов будет достигнуто. Интересно отметить, что по числу выполненных доказательств теорема сходимости персептрона занимает одно из первых мест в мире. Ранее самой доказанной в мире теоремой считалась те­орема Пифагора.

Технология синтеза экспертной системы – технология создания на основе зна­ний экспертов систем, решающих неформализованные задачи в слабоструктурированных предметных областях.

В общем случае все интеллектуализированные системы можно подразделить на решающие за­дачи анализа и на решающие задачи синтеза. Примерами задач анализа являются задачи интерпретации данных и диагностики. Примерами задач синтеза являются задачи проектирования и пла­нирования. Комбинированные задачи – задачи обучения, монито­ринга, управления.

Типизация – группировка объектов на основе соответствия их интенсиона­лов некоторому эталону. Полученный при этом класс объектов именуется типом.

Усовершенствование прототипа – один из этапов технологии разработки экспертной системы. Усовершенствование прототипа осуществляется в процессе циклического прохождения через этапы выполнения и тестирова­ния для отладки правил и процедур вывода.

Уидроу Б.– см. Хофф М.Е.

Фрейм – это модель абстрактного образа, минимально воз­можное описание сущности какого-либо объекта, явления, собы­тия, ситуации, процесса. Фрейм состоит из имени и отдельных единиц, называемых слотами. Он имеет однородную структуру.

В качестве значения слота может выступать имя другого фрей­ма. Таким образом фреймы объединяются в сеть. Свойства фрей­мов наследуются сверху вниз, т.е. от вышестоящих к нижестоя­щим через АКО-связи (начальные буквы английских слов «A Kind Of», что можно перевести как «это»). Слот с именем АКО указы­вает на имя фрейма более высокого уровня иерархии. Если одно и то же свойство указывается в нескольких связан­ных между собой фреймах, то приоритет отдается нижестоящему фрейму.

Основным преимуществом фреймов как способа представле­ния знаний является наглядность и гибкость в употреблении. Кро­ме того, фреймовая структура согласуется с современными пред­ставлениями о хранении информации в памяти человека.

В основе этого способа представления знаний лежит идея о том, что любые знания можно представить в виде совокупности поня­тий (объектов) и отношений (связей).

Формализация – один из этапов технологии разработки экспертной системы. На этом этапе определяются способы представления всех ви­дов знаний, формализуются основные понятия, определяются способы интерпретации знаний, оценивается адекватность целям системы зафиксированных понятий, методов решения, средств представления и манипулирования знаниями.

Хофф М.Е. и Уидроу Б. – произвели обобщение персептрона. Вместо ступенчатой ввели непрерывную нелинейную функцию активации. Эту функцию назвали сигмоидой из-за того, что ее графическое изображение напоминает латинскую букву «S». Другое название сигмоиды – логистическая функция. Практически сигмоида обеспечивает непрерывную аппроксима­цию классической пороговой функции. Персептроны с сигмоидными активационными функциями с одним выходом назвали адалайн, с несколькими выходами – мадалайн (от английских слов ADAptive Linear NEuron и Many ADALINE). Появление персептронов с непрерывными активаци­онными функциями обусловило и новые подходы к их обучению. Уидроу и Хофф предложили минимизировать среднеквад­ратичную ошибку, определяемую как разность между требуемы­требуемы­ми и реальными выходными сигналами персептрона.

Хилтон – см. Вильямс.

Хехт-Нильсен – до­казал принципиальную возможность построения нейросети, вы­полняющей преобразование, заданное любой обучающей выборкой различающихся между собой примеров, и установил, что такой универсальной нейросетью является двухслойный персепт­рон (т.е. персептрон с одним скрытым слоем) с конечным чис­лом нейронов и сигмоидными передаточными функциями.

Хопфилд – ученый, обративший внимание на то, что динамический про­цесс, возникающий в замкнутой самой на себя рекуррентной сети, может привести к некоторому устойчивому состоянию, отличаю­щемуся от исходного. Другими словами, итерационный процесс рекуррентной сети может вывести на стационарный режим, при котором состояние сети перестанет меняться. Причем это конеч­ное стационарное состояние сети зависит как от ее первоначаль­ного состояния, так и от значений элементов матрицы синаптических весов (сеть Хопфилда).

Шаблонный метод. В большинстве систем шрифт, подлежащий распознаванию, хорошо известен, и распознавание является лишь вопросом использования эталонов. В этом случае просто нужно ввести некоторый допуск на расхождение между символом и шаб­лоном с учетом дефектов печати и помарок на бумаге.

Эксперт – высококвалифицированный специалист, согласив­шийся поделиться опытом в рассматриваемой предметной области.

Экспертная система (система, основанная на знаниях) – это сложный программный комплекс, аккумулирующий знания специалистов в конкретных предметных областях и тиражирующий эти знания для консультаций менее квалифицированных пользователей. Обычно в состав экспертной системы входят следующие взаимосвязанные между собой модули: база знаний, интеллектуальный редактор базы знаний, интерфейс пользователя, решатель, подсистема объяснений. Экспертная система работает в двух режимах – приобретения знаний и решения задач или консультаций. В режиме приобретения знаний происходит формирование базы знаний. В режиме решения задач общение с экспертной системой осуществляет конечный пользователь.

Экстенсионал понятия – это совокупность всех его допустимых денотатов, соответствующих концепту этого понятия.

Эвристическое программирование. Невозможность или неумение алгоритмически описать процедуру решения задачи привели к попыткам алгоритмического описания дейст­вий людей, решающих подобные задачи. На основе анализа этих опи­саний строятся алгоритмы, повторяющие действия, которые использу­ются для решения задачи. Это направление получило наименование эври­стического программирования. Практика показала, что эвристические про­граммы часто приводят к цели, однако гарантировать достижение цели всегда, а также приобрести уверенность, что с их помощью получается оп­тимальное решение, невозможно. Если удается найти точные оценки применимости и результативности эвристических программ, то они пере­стают быть эвристическими и превращаются в обычные программы для алгоритмизированных задач.

Ограниченность эвристического подхода демонстрирует система про­стых эвристических правил, рекомендуемых при решении школьных геометрических задач:

• выпишите, что дано;
  
• выпишите, что следу­ет доказать;
  
• сделайте чертеж;
  
• выпишите перечень относящихся или могущих относиться к задаче теорем;
  
• наметьте план решения, т.е. сформируйте промежуточные подцели;
  
• приступите к процедуре решения (доказательства).
  

Выполнение этих правил помогает решить задачу, од­нако их недостаточно. Необходимы еще знание геометрии, удача, ин­туиция или знание при выборе подцелей, т.е. знание предметной области, из которой взята задача.

Таким образом, основной недостаток эвристических программ за­ключается в том, что, используя знания о поведении человека при ре­шении творческих задач, они не используют в достаточной мере знания о свойствах и особенностях той предметной области, в рамках которой должна решаться задача.

Ясницкий Л.Н. предложил в 1973 г геометрическую интерпретацию процесса ре­шения краевых задач, обеспечивающую успех применения метода Треффтца. Ясницкий решил проблему сходимости и корректности, постро­ил методику выбора базисных функций.

3. ПРОГРАММНЫЙ ЭМУЛЯТОР НЕЙРОКОМПЬЮТЕРА

NEURAL NETWORK WIZARD 1.7