3. Представление

  1   2   3   4   5   6   7   8   9   ...   110

2.1. Классический период: игры и доказательство теорем 24

2.1.1. Поиск в пространстве состояний 24

2.1.2. Эвристический поиск 28

2.2. Романтический период: компьютер начинает понимать 30

2.2.1. Система SHRDLU 31

2.2.2. Схемы представления знаний 32

2.3. Период модернизма: технологии и приложения 34

2.3.1. В знании сила 34

2.3.2. Периоды "зимней спячки" и "пробуждения" в истории искусственного интеллекта 37

Рекомендуемая литература 38

Упражнения 38

ГЛАВА 3. Представление знаний 44

3.1. Представление знаний: принципы и методы 44

3.2. Планировщик STRIPS 46

3.2.1. Таблицы операторов и методика "средство -анализ завершения" 47

3.2.2. Анализ метода представления и управления в STRIPS 50

3.3. Формулировка подцелей в MYGIN 51

3.3.1. Лечение заболеваний крови 51

3.3.2. База знаний системы MYCIN 52

3.3.3. Структуры управления в MYCIN 54

3.4. Оценка и сравнение характеристик экспертных систем 57

3.4.1. Оценка системы MYCIN 57

3.4.2. Сравнение MYCIN и STRIPS 59

Рекомендуемая литература 60

Упражнения 60

ГЛАВА 4. Символические вычисления 63

4.1. Символическое представление 64

4.2. Физическая символическая система 64

4.3. Реализация символических структур на языке LISP 65

4.3.1. Структуры данных в языке LISP 65

4.3.2. Структура LISP-программы 66

4.3.3. Приложение функции и лямбда-исчисление 68

4.3.4. Обработка списков 68

4.3.5. Сопоставление с образцом 70

4.4. Почему. LISP не является языком представления знаний 71

4.4.1. Символический уровень и уровень знаний 71

4.4.2. LISP и разработка программ 72

4.5. Языки представления знаний 72

Рекомендуемая литература 73

Упражнения 73

ГЛАВА 5. Системы, основанные на знаниях 75

5.1. Канонические системы 75

5.2. Системы порождающих правил для решения проблем 76

5.2.1. Синтаксис представления правил 77

5.2.2. Рабочая память 78

5.3. Управление функционированием интерпретатора 81

5.3.1. Разрешение конфликтов 82

5.3.2. Прямая и обратная цепочки рассуждений 83

5.3.3. Правила и метаправила 87

Рекомендуемая литература 90

Упражнения 90

ГЛАВА 6. Ассоциативные сети и системы фреймов 93

6.1. Графы, деревья и сети 93

6.2. Ассоциативные сети 96

6.2.1. Разделение видов узлов и когнитивная экономия 96

6.2.2. Анализ адекватности ассоциативных сетей 97

6.3. Представление типовых объектов и ситуаций 98

6.3.1. Основные понятия концепции фреймов 99

6.3.2. Фреймы и графы 99

6.3.3. Значения по умолчанию и демоны 100

6.3.4. Множественное наследование 103

6.3.5. Сравнение сетей и фреймов 106

Рекомендуемая литература 106

Упражнения 107

ГЛАВА 7. Объектно-ориентированное программирование 110

7.1. Язык KRL 110

7.2. Языки LOOPS и FLAVORS 112

7.2.1. Передача сообщений 112

7.2.2. Проблема наложения методов 114

7.2.3. Метаклассы 115

7.3. Языки CLIPS и CLOS 117

7.3.1. Множественное наследование в CLOS и CLIPS 117

7.3.2. Наложение методов в CLOS и CLIPS 118

7.3.3. Метаклассы в CLOS и CLIPS 120

7.4. Множественное наследование в C++ 121

7.5. Объектно-ориентированный анализ и конструирование экспертных систем 124

Рекомендуемая литература 125

Упражнения 125

ГЛАВА 8. Логическое программирование 127

8.1. Формальные языки 127

8.1.1. Исчисление высказываний 128

8.1.2. Исчисление предикатов 129

8.2. Язык PROLOG 131

8.3. Опровержение резолюций 131

8.3.1. Принцип резолюций 131

8.3.2. Поиск доказательства в системе резолюций 133

8.4. Процедурная дедукция в системе PLANNER 135

8.5. PROLOG и MBASE 136

8.5.1. Правила поиска в языке PROLOG 137

8.5.2. Управление поиском в системе MBASE 138

Рекомендуемая литература 140

Упражнения 140

ГЛАВА 9. Представление неопределенности знаний и данных 143

9.1. Источники неопределенности 143

9.2. Экспертные системы и теория вероятностей 144

9.2.1. Условная вероятность 144

9.2.2. Коэффициенты уверенности 146

9.2.3. Коэффициенты уверенности и условные вероятности 147

9.3. Сомнительность и возможность 149

9.3.1. Нечеткие множества 150

9.3.2. Нечеткая логика 151

9.3.3. Теория возможности 152

9.4. Неопределенное состояние проблемы неопределенности 153

Рекомендуемая литература 153

Упражнения 154

ГЛАВА 10. Приобретение знаний 155

10.1. Теоретический анализ процесса приобретения знаний 155

10.1.1. Стадии приобретения знаний 156

10.1.2. Уровни анализа знаний 157

10.1.3. Онтологический анализ 159

10.2. Оболочки экспертных систем 159

10.2.1. Система EMYCIN 160

10.2.2. Сопровождение и редактирование баз знаний с помощью программы TEIRESIAS 161

10.3. Методы приобретения знаний 162

10.3.1. Использование опроса экспертов для извлечения знаний в системе COMPASS 163

10.3.2. Автоматизация процесса извлечения знаний в системе OPAL 164

10.3.3. Графический интерфейс модели предметной области 165

10.3.4. Эффективность программы OPAL 167

10.4. Приобретение новых знаний на основе существующих 168

Рекомендуемая литература 169

Упражнения 169

ГЛАВА 11. Эвристическая классификация (I) 176

11.1. Классификация задач экспертных систем 177

11.2. Классификация методов решения проблем 179

11.2.1. Эвристическое сопоставление 179

11.2.2. Общность эвристической классификации 180

11.3. Классификация или конструирование? 184

Рекомендуемая литература 185

Упражнения 185

ГЛАВА 12. Эвристическая классификация (II) 191

12.1. Инструментальные средства и задачи, решаемые экспертной системой 191

12.2. Эвристическая классификация в системах MUD и MORE 192

12.2.1. Модель предметной области выполнения буровых работ 193

12.2.2. Стратегии приобретения знаний 196

12.2.3. Использование коэффициентов уверенности в программе MORE 199

12.2.4. Опыт эксплуатации системы MORE 200

12.3. Совершенствование стратегий 201

12.3.1. Уроки проекта GUIDON 201

12.3.2. Структура задач в системе NEOMYCIN 203

Рекомендуемая литература 204

Упражнения 205

ГЛАВА 13. Иерархическое построение и проверка гипотез 208

13.1. Влияние сложности пространства гипотез на организацию работы системы 208

13.1. Обход дерева 210

13.2. Структурированные объекты в CENTAUR 210

13.2.1. Структура фреймов в CENTAUR 210

13.2.2. Правила, включенные в прототипы 211

13.3. Формирование суждений на базе модели в системе INTERNIST 212

13.3.1. Представление знаний в дереве заболеваний 213

13.3.2. Методика выделения правдоподобных гипотез в INTERNIST 215

13.3.3. Проблемы, обнаруженные в процессе эксплуатации системы INTERNIST 216

13.4. Рабочая среда инженерии знаний TDE 217

Рекомендуемая литература 219

Упражнения 219

ГЛАВА 14. Решение проблем конструирования (I) 222

14.1. Области применения методов конструктивного решения проблем 222

14.2. Система R1/XCON 223

14.2.1. Компоненты и ограничения 224

14.2.2. Использование текущего контекста для управления структурой задачи 225

14.2.3. Формирование суждений с учетом ограничений: метод Match 228

14.3. Использование знаний, развитие и расширение системы XCON 230

14.3.1. Извлечение знаний в системе R1/XCON 230

14.3.2. Совершенствование и расширение системы R1/XCON 231

Рекомендуемая литература 234

Упражнения 234

ГЛАВА 15. Решение проблем конструирования (II) 236

15.1. Стратегии конструирования 236

15.2. Архитектура систем планирования и метапланирования 238

15.3. Извлечение, представление и применение знаний о проектировании 244

15.3.1. Реализация обратного прослеживания в системе VT 244

15.3.2. Приобретение знаний с помощью системы SALT 246

15.4. Итоги анализа систем решения проблем конструирования 248

Рекомендуемая литература 249

Упражнения 249

ГЛАВА 16. Средства формирования пояснений 252

16.1. Формирование пояснений на основе знаний 252

16.1.1. Подсистема формирования пояснений в MYCIN 253

16.1.2. Формирование пояснений в системах, производных от MYCIN 254

16.1.3. Формирование пояснений на основе фреймов 256

16.1.4. Организация вывода пояснений в системе CENTAUR 256

16.1.5. Использование мультимедийного интерфейса для формирования пояснений 262

16.2. Формирование пояснений и автоматическое программирование 263

16.2.1. Автоматическое программирование в системе XPLAN 263

16.2.2. Проект Explainable Expert Systems 265

16.2.3. Планирование текстов пояснений и модели пользователей в PEA 267

16.3. Перспективы дальнейших исследований методов формирования пояснений 268

Рекомендуемая литература 269

Упражнения 269

ГЛАВА 17. Инструментальные средства разработки экспертных систем 274

17.1. Общая характеристика инструментальных средств для построения экспертных систем 274

17.2. Оболочки экспертных систем 276

17.3. Языки программирования высокого уровня 277

17.3.1. Языки описания порождающих правил 278

17.3.2. Объектно-ориентированные языки 279

17.3.3. Языки логического программирования экспертных систем 279

17.3.4. Многофункциональные программные среды 280

17.3.5. Дополнительные модули 282

17.4. Использование инструментальных средств 284

17.4.1. Характерные сложности и способы их избежать 285

17.4.2. Выбор подходящего инструментария для разработки экспертной системы 285

17.4.3. Практическое освоение инструментальных средств 287

17.4.4. Стиль программирования 289

17.5. Некоторые максимы разработки экспертных систем 290

Рекомендуемая литература 291

Упражнения 292

ГЛАВА 18. Системы с доской объявлений 294

18.1. Принципы организации систем с доской объявлений 294

18.2. Системы HEARSAY, AGE и ОРМ 295

18.2.1. Почему для HEARSAY-II выбрана такая архитектура 296

18.2.2. Использование источников знаний в HEARSAY-II 296

18.2.3. Система HEARSAY-III— оболочка для создания систем с доской объявлений 297

18.2.4. Инструментальные среды AGE и ОРМ 299

18.3. Среда с доской объявлений ВВ 300

18.3.1. Уровни абстракции в среде ВВ 300

18.3.2. Системы ВВ1 и ACCORD 300

18.3.3. Система PROTEAN 301

18.3.4. Интеграция стратегий логического вывода 302

18.3.5. Общая характеристика ВВ 302

18.4. Эффективность и гибкость модели с доской объявлений 303

18.4.1. Организация доски объявлений в системе GBB 303

18.4.2. Компоновка доски объявлений в среде ERASMUS 304

18.5. Организация параллельных вычислений в системах CAGE и POLIGON 305

Рекомендуемая литература 306

Упражнения 306

ГЛАВА 19. Система отслеживания истинности предположений 308

19.1. Отслеживание зависимостей 308

19.1.1. Релаксация в сети 308

19.1.2. Пересмотр допущений 310

19.2. Пересмотр теорий высказываний 311

19.3. Немонотонное обоснование 313

19.4. Работа со множеством контекстов 315

19.4.1. Отслеживание истинности предположений, основанное на анализе допущений 315

19.4.2. Использование систем отслеживания истинности предположений для диагностирования на основе моделей 318

19.5. Сравнение различных вариантов организации систем отслеживания истинности предположений 321

Рекомендуемая литература 321

Упражнения 321

ГЛАВА 20. Формирование знаний на основе машинного обучения 323

20.1. Индуктивное обучение 324

20.2. Система Meta-DENDRAL 326

20.2.1. Формирование и уточнение правил 326

20.2.2. Пространство версий 328

20.2.3. Алгоритм отсеивания кандидатов 329

20.2.4. Сопоставление экземпляров с образцами в Meta-DENDRAL 330

20.3. Построение дерева решений и порождающих правил 331

20.3.1. Структура дерева решений 332

20.3.2. Алгоритм формирования дерева решений по обучающей выборке 333

20.4. Уточнение наборов правил 337

Рекомендуемая литература 339

Упражнения 339

ГЛАВА 21. Сети доверия 341

21.1. Теория Демпстера—Шефера 341

21.1.1. Функции доверия 341

21.1.2. Применение теории Демпстера—Шефера к системе MYCIN 342

21.2. Методика Перла 344

21.3. Сравнение методов неточных рассуждений 346

21.4. Резюме 347

Рекомендуемая литература 347

Упражнения 348

ГЛАВА 22. Рассуждения, основанные на прецедентах 350

22.1. База прецедентов 351

22.1.1. Программа CHEF 351

22.1.2. Методы извлечения и адаптации прецедентов 352

22.2. Обучение с помощью компьютера: система САТО 354

22.2.1. Предметная область программы САТО 354

22.2.2. Расследования и рассуждения в юриспруденции 355

22.2.3. Обучение с помощью системы САТО 355

22.3. Формирование отчетов в системе FRANK 357

22.4. Сравнение систем, основанных на правилах и прецедентах 359

Рекомендуемая литература 360

ГЛАВА 23. Гибридные системы 361

23.1. Методы обучения в системе ODYSSEUS 361

23.2. Системы ODYSSEUS и MINERVA 364

23.2.1. Оболочка экспертной системы MINERVA 364

23.2.2. Обучение в системе ODYSSEUS 364

23.3. Использование прецедентов для обработки исключений 366

23.4. Гибридный символический подход и нейронные сети 367

23.4.1. Нейронные сети 368

23.4.2. SCALIR — гибридная система для извлечения правовой информации 370

23.4.3. Организация обучения в системе SCALIR 373

23.5. Будущее гибридных систем 374

Рекомендуемая литература 374

Упражнения 375

ГЛАВА 24. Заключение 376

24.1. Загадка искусственного интеллекта 376

24.2. Представление знаний 377

24.3. Языки программирования систем искусственного интеллекта 379

24.4. Решение практических проблем 379

24.5. Архитектура экспертных систем 381

Рекомендуемая литература 381

Литература 383