Neural Network Wizard 7 учебно-методическое пособие
Вид материала | Учебно-методическое пособие |
- 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.
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:
- 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 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