Реферат: Опорный конспект лекции фсо пгу 18. 2/07 Министерство образования и науки Республики Казахстан

Опорный конспект лекции








ФСО ПГУ 7.18.2/07



Министерство образования и науки Республики Казахстан


Павлодарский государственный университет им. С. Торайгырова


Факультет физики, математики и информационных технологий


Опорный конспект лекции


по дисциплине «Интеллектуальные информационные системы»


Для специальности 050703 «Информационные системы»



Павлодар


Лист утверждения опорного конспекта лекции






Ф

ФСО ПГУ 7.18.2/11




УТВЕРЖДАЮ

Декан факультета ФМ иИТ

_____________ Тлеукенов С.К.

«__»_________2008г.


Составитель: старший преподаватель Аканова А.С.


Кафедра информатики и информационных систем


Опорный конспект лекции

по дисциплине Интеллектуальные информационные системы

для специальности 050703 «Информационные системы»


форма обучения: дневная на базе ОСО, СПО, ВПО


Опорный конспект лекции разработан на основании рабочей программы дисциплины


Рекомендована на заседании кафедры от «__» ____________200 протокол №__


Зав. кафедрой __________________________Ж.К. Нурбекова

(подпись, Ф.И.О.)


Одобрено методическим советом факультета ФМиИТ


«______»____________200__г., протокол № ___________________


Председатель МС___________________ А.Т.Кишубаева

(подпись)


Лекция 1. ^ Понятие интеллектуальной информационной системы (ИИС), основные свойства. Классификация ИИС.

Цель: Познакомить с понятиями интеллектуальной системы, со свойствами ИИС, с классификацией.


В 1950 году британский математик Алан Тьюринг опубликовал в журнале «Mind» свою работу «Вычислительная машина и интеллект», в которой описал тест для проверки программы на интеллектуальность. Он предложил поместить исследователя и программу в разные комнаты и до тех пор, пока исследователь не определит, кто за стеной - человек или программа, считать поведение программы разумным. Это было одно из первых определений интеллектуальности, то есть А. Тьюринг предложил называть интеллектуальным такое поведение программы, которое будет моделировать разумное поведение человека.

Сам термин ^ ИИ (AI - Artificial Intelligence) был предложен в 1956 году на семинаре в Дартсмутском колледже (США). Приведем некоторые из этих определений. Д. Люгер в своей книге [2] определяет «ИИ как область компьютерных наук, занимающуюся исследованием и автоматизацией разумного поведения».

О каких признаках интеллекта уместно говорить применительно к интеллектуальным системам? ИС должна уметь в наборе фактов распознать существенные, ИС способны из имеющихся фактов и знаний сделать выводы не только с использованием дедукции, но и с помощью аналогии, индукции и т. д. Кроме того, ИС должны быть способны к самооценке - обладать рефлексией, то есть средствами для оценки результатов собственной работы. С помощью подсистем объяснения ИС может ответить на вопрос, почему получен тот или иной результат. Наконец, ИС должна уметь обобщать, улавливая сходство между имеющимися фактами.

Можно ли считать шахматную программу интеллектуальной системой? Если шахматная программа при повторной игре делает одну и ту же ошибку - то нельзя. Обучаемость, адаптивность, накопление опыта и знаний - важнейшие свойства интеллекта. Если шахматная программа реализована на компьютере с бесконечно-высоким быстродействием и обыгрывает человека за счет просчета всех возможных вариантов игры по жестким алгоритмам - то такую программу мы также не назовем интеллектуальной. Но если шахматная программа осуществляет выбор и принятие решений в условиях неопределенности на основе эффективных методов принятия решений и эвристик, корректируя свою игру от партии к партии в лучшую сторону, то такую программу можно считать достаточно интеллектуальной.

Всякий раз, как только возникают сомнения в интеллектуальности некоторой системы, договоримся вспоминать тест Алана Тьюринга на интеллектуальность. После этого сомнения и дальнейшие споры, как правило, прекращаются.
^ Интеллект – это мыслительная способность человека \ИИ - это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считающиеся интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка Следует определить также понятие знания - центрального понятия в ИС.
Основные проблемы искусственного интеллекта и направления его развития:

Проблема представления знаний;

Решение неформализованных задач;

Проблема создания комплексных экспертных систем:

- системы реального времени;

- медицинская диагностика;

4. Интеллектуальный анализ данных;

5. Проблема общения с ЭВМ на естественном языке;

6. Проблема обучения;

7. Когнитивное моделирование (cognos – знание)- моделирование разума;

8. Обработка визуальной информации и робототехника;


Направление исследования в области искусственного

интеллекта.

Существует 2 направления:


Моделирование результатов интеллектуальной деятельности – машинный интеллект.

Компьютерное моделирование биологических систем (моделируется нейрофизиология и психология человека) – искусственный разум. Механизмы таких разработок – нейрокомпьютеры.

Искусственный разум создается по следующим направлениям:

Моделирование механизмов умственной деятельности, связано с созданием нейроподобных сетей (нейрокибернетика).

Эвристическое программирование (моделируется не нейронные клетки, а мыслительные операции). Компьютерные устройства - решатели задач (General Problem Solver – GPS).

Комплексный подход, который объединяет два первых, который называется эвристическое моделирование.
^ Основные понятия ИИС
Понятие данные, знания и информация отражают три аспекта предметной области сознаний субъекта.


1. Синтаксический

2. Семантический

3. Прагматический


Синтаксический аспект действительности реализует данные, которые представляют собой записанные посредством какого-либо носителя, факты и их зависимости. Факты предметной области могут быть представлены в виде описаний на естественном языке, в виде графических диаграмм и математических формул. В качестве носителя могут выступать:…

Знания представляют собой данные, осмысленные или понятые субъектом, которые запоминаются для последующего целенаправленного использования. Знания представляют семантический аспект предметной области.
Информация – приращение знаний субъекта. Информация – новые и полезные данные, осмысливаемые на основе имеющегося знания. Информация – отражение прагматического аспекта предметной области.

Интеллектуальная система – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач. Выделяют четыре основных признака интеллектуальности:
1. Развитые коммуникативные способности


2. Умение решать сложные плохо формализуемые задачи.


3. Самообучаемость.


4. Адаптивность – адекватное отражение действительности.
^ Классификация ИИС
Системы с интеллектуальным интерфейсом.

- Интеллектуальные базы данных

- Гипертекстовые системы
- Системы когметивной графики
- Естественный языковой интерфейс
2. Экспертные системы.
- Классифицирующие
- Доопределяющие
- Трансформирующие
- Многоагентные
3. Самообучающиеся системы.
- Индуктивные
- Нейронные сети
- Информационные хранилища

MICIN — экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стенфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил.

PUFF — анализ нарушения дыхания. Данная система представляет собой MICIN, из которой удалили данные по инфекциям и вставили данные о легочных заболеваниях.

DENDRAL — распознавание химических структур. Эта система — старейшая из имеющих звание экспертных. Первые ее версии появились еще в 1965 году во все том же Стенфордском университете. Пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры.

PROSPECTOR — экспертная система, созданная для содействия поиску коммерчески оправданных месторождений полезных ископаемых.

Программы решения интеллектуальных задач:

1 Игровые программы:

а)Человеческие игры: переборные игры, топологические игры, стохастические игры

б)омпьютерные игры: игры с жесткой схемой, игры со сценарием

Естественно-языковые программы: машинный перевод, автоматическое реферирование

Генерация текстов: Прозаические тексты, поэтические тексты

Музыкальные программы: сочинение музыкальных произведений, анализ музыкальных произведений, имитация исполнительного стиля

Узнающие программы

Программы создания произведений графикии живописи
^ Игровые программы.
К числу первых игровых программ можно отнести программу Артура Самуэля по игре в чекерс (американские шашки), написанную в 1947 году, причем в ней использовался ряд основополагающих идей ИИ, таких, как перебор вариантов и самообучение.

Научить компьютер играть в шахматы - одна из интереснейших задач в сфере игровых программ, использующих методы ИИ. Она была поставлена уже на заре вычислительной техники, в конце 50-х годов. В шахматах существуют определенные уровни мастерства, степени качества игры, которые могут дать четкие критерии интеллектуального роста машины. Поэтому компьютерными шахматами активно занимались ученые умы во всем мире. Но шахматы - игра, соревнование, и чтобы продемонстрировать свои логические способности, компьютеру необходим непосредственный противник. В 1974 году впервые прошел чемпионат мира среди шахматных программ в рамках очередного конгресса IFIP (International Federation of Information Processing) в Стокгольме. Победителем этого состязания стала советская шахматная программа «Каисса» (Каисса - богиня, покровительница шахмат). Эта программа была создана в Москве, в Институте проблем управления Академии наук в команде разработчиков программы-чемпиона, лидерами которой были Владимир Арлазаров, Михаил Донской и Георгий Адельсон-Вельский. «Каисса» показала всему миру способности русских специалистов в области эвристического программирования.


Основой для данного логического подхода служит Булева алгебра. Каждый программист знаком с нею и с логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов — в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода существуют как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

^ Методы приобретения знаний.

Приобретение знаний реализуется с помощью двух функций: получения информации извне и ее система­тизации. При этом в зависимости от способности си­стемы обучения к логическим выводам возможны различные формы приобретения знаний, а также раз­личные формы получаемой информации. Форма пред­ставления знаний для их использования определяется внутри системы, поэтому форма информации, которую она может принимать, зависит от того, какие спо­собности имеет система для формализации информа­ции до уровня знаний. Если обучающаяся система со­всем лишена такой способности, то человек должен заранее подготовить все, вплоть до формализации информации, т. е. чем выше способности машины к логическим выводам, тем меньше нагрузка на че­ловека.

Функции, необходимые обучающейся системе для приобретения знаний, различаются в зависимости от конфигурации системы. В дальнейшем при рассмот­рении систем инженерии знаний предполагается, что Существует система с конфигурацией, показанной на рис, 1.1, которая включает базу знаний и механизм логических выводов, использующий эти знания при решении задач. Если база знаний пополняется зна­ниями о стандартной форме их представления, то этими знаниями также можно воспользоваться. Сле­довательно, от функций обучения требуется преобра­зование полученной извне информации в знания и пополнение ими базы знаний.





Рис.1 Базовая структура систем обработки знаний

Можно предложить следующую классификацию систем приобретения знаний, которая будет опираться на способность системы к восприятию знаний в разных форматах, качественно различающихся между собой и способностью к формализации (рис 2).





Рис 2.Классификация методов приобретения знаний.


Осознание полезности систем, которые


Лекция 2. (3ч) Экспертные системы. Составные части экспертной системы: база знаний, механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный интерфейс.
^ Цель. Познакомить с понятиями и функциями экспертных систем. Экспертные системы.
Методы ИИ нашли применение при создании автоматических консультирующих систем. До 1968 года исследователи в области ИИ работали на основе общего подхода - упрощения комбинаторики, базирующегося на уменьшении перебора альтернатив исходя из здравого смысла, применения числовых функций оценивания и различных эвристик.

В начале 70-х годов произошел качественный скачок и пришло понимание, что необходимы глубокие знания в соответствующей области и выделение знаний из данных, получаемых от эксперта. Появляются экспертные системы (ЭС), или системы, основанные на знаниях.

Под экспертной системой (ЭС) будем понимать программу, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала.

могут копировать дорогостоящие или редко встречающиеся человеческие знания, привело к широкому внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века. Основу успеха ЭС составили два важных свойства, отмечаемые рядом исследователей [79], [80]:

в ЭС знания отделены от данных, и мощность экспертной системы обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач;

решаемые ^ ЭС задачи являются неформализованными или слабоформализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области.

Основными категориями решаемых ЭС задач являются: диагностика, управление (в том числе технологическими процессами), интерпретация, прогнозирование, проектирование, отладка и ремонт, планирование, наблюдение (мониторинг), обучение.

Обобщенная схема ЭС приведена на рис. 6.1. Основу ЭС составляет подсистема логического вывода, которая использует информацию из базы знаний (БЗ), генерирует рекомендации по решению искомой задачи. Чаще всего для представления знаний в ЭС используются системы продукций и семантические сети. Допустим, БЗ состоит из фактов и правил (если <посылка> то <заключение>). Если ЭС определяет, что посылка верна, то правило признается подходящим для данной консультации и оно запускается в действие. Запуск правила означает принятие заключения данного правила в качестве составной части процесса консультации.

Обязательными частями любой ^ ЭС являются также модуль приобретения знаний и модуль отображения и объяснения решений. В большинстве случаев, реальные ЭС в промышленной эксплуатации работают также на основе баз данных (БД). Только одновременная работа со знаниями и большими объемами информации из БД позволяет ЭС получить неординарные результаты, например, поставить сложный диагноз (медицинский или технический), открыть месторождение полезных ископаемых, управлять ядерным реактором в реальном времени.




Рис. 6.1.  Структура экспертной системы

Важную роль при создании ЭС играют инструментальные средства. Среди инструментальных средств для создания ЭС наиболее популярны такие языки программирования, как LISP и PROLOG, а также экспертные системы-оболочки^ (ЭСО): KEE, CENTAUR, G2 и GDA, CLIPS, АТ_ТЕХНОЛОГИЯ, предоставляющие в распоряжение разработчика - инженера по знаниям широкий набор для комбинирования систем представления знаний, языков программирования, объектов и процедур [81], [82].

Рассмотрим различные способы классификации ЭС.

По назначению ЭС делятся на:

ЭС общего назначения.

Специализированные ЭС:

проблемно-ориентированные для задач диагностики, проектирования, прогнозирования

предметно-ориентированные для специфических задач, например, контроля ситуаций на атомных электростанциях.

По степени зависимости от внешней среды выделяют:

Статические ЭС, не зависящие от внешней среды.

Динамические, учитывающие динамику внешней среды и предназначенные для решения задач в реальном времени. Время реакции в таких системах может задаваться в миллисекундах, и эти системы реализуются, как правило, на языке С++.

По типу использования различают:

Изолированные ЭС.

ЭС на входе/выходе других систем.

Гибридные ЭС или, иначе говоря, ЭС интегрированные с базами данных и другими программными продуктами (приложениями).

По сложности решаемых задач различают:

Простые ЭС - до 1000 простых правил.

Средние ЭС - от 1000 до 10000 структурированных правил.

Сложные ЭС - более 10000 структурированных правил.

По стадии создания выделяют:

Исследовательский образец ЭС, разработанный за 1-2 месяца с минимальной БЗ.

Демонстрационный образец ЭС, разработанный за 2-4 месяца, например, на языке типа LISP, PROLOG, CLIPS

Промышленный образец ЭС, разработанный за 4-8 месяцев, например, на языке типа CLIPS с полной БЗ.

Коммерческий образец ЭС, разработанный за 1,5-2 года, например, на языке типа С++, Java с полной БЗ.

ЭС DENDRAL (середина 60-х годов, Стэнфордский университет) расшифровывала данные масс-спектрографического анализа.

ЭС MYCIN (середина 70-х годов, Стэнфордский университет) ставила диагноз при инфекционных заболеваниях крови.

ЭС PROSPECTOR (1974-1983 годы, Стэнфордский университет) обнаруживала полезные ископаемые.

ЭС SOPHIE обучала диагностированию неисправностей в электрических цепях. ЭС XCON помогала конфигурировать оборудование для систем VAX фирмы DEC, ЭС PALLADIO помогала проектировать и тестировать СБИС-схемы.

ЭС JUDITH помогает специалистам по гражданским делам и вместе с юристом и с его слов усваивает фактические и юридические предпосылки дела, а затем предлагает рассмотреть различные варианты подходов к разрешению дела.

ЭС LRS оказывает помощь в подборе и анализе информации о судебных решениях и правовых актах в области кредитно-денежного законодательства, связанного с использованием векселей и чеков.

ЭС «Ущерб» на основе российского трудового законодательства обеспечивает юридический анализ ситуации привлечения рабочих и служащих к материальной ответственности при нанесении предприятию материального ущерба действием или бездействием.

Список созданных ЭС можно перечислять очень долго. Были разработаны и внедрены тысячи реально работающих экспертных систем. Об этом мы будем говорить подробнее в 6 и 7 лекциях.

Разработка инструментальных средств для создания ЭС ведется постоянно. Появляются экспертные системы оболочки, совершенствуются технологии создания ЭС. Язык Пролог (1975-79 годы) становится одним из основных инструментов создания ЭС. Язык CLIPS (C Language Integrated Production System) начал разрабатываться в космическом центре Джонсона NASA в 1984 году. Язык CLIPS свободен от недостатков предыдущих инструментальных средств для создания ЭС, основанных на языке LISP. Появляется инструментарий EXSYS, ставший в начале 90-х годов одним из лидеров по созданию ЭС. В начале ХХI века появляется теория интеллектуальных агентов и экспертных систем на их основе. Web-ориентированный инструментарий JESS (Java Expert System Shell), использующий язык представления знаний CLIPS, приобрел достаточную известность в настоящее время. Среди отечественных инструментальных средств следует отметить веб-ориентированную версию комплекса АТ-ТЕХНОЛОГИЯ, разработанного на кафедре Кибернетики МИФИ. В этом комплексе вся прикладная логика как комплекса в целом, так и разработанных в нем веб-интегрированных ЭС, сосредоточена на стороне сервера.

Практика внедрения ЭС показала, что нет чудодейственных рецептов - нужна кропотливая работа по вводу в ЭВМ опыта и знаний специалистов всех областей науки.
^ Машинный перевод и понимание текстов на естественном языке.
Началом работ по машинному переводу следует считать 1954 год, когда в США с помощью ЭВМ было переведено шестьдесят фраз. Этот известный «Джорджтаунский эксперимент» произвел неизгладимое впечатление на специалистов. Тогда казалось, что достаточно создать большие хранилища словарей для перевода с одного языка на другой, разработать правила перевода - и проблема будет решена. Когда выяснилось, что проблема не так проста, был создан язык-посредник, облегчающий сопоставление фраз на разных языках. Во второй половине семидесятых годов этот язык-посредник превратился в семантическую модель представления смысла переводимых текстов. Таким образом, достижения в области машинного перевода оказались очень полезными для ИИ, так как они показали, что анализ естественно-языковых конструкций невозможен без создания семантической модели, в которой интерпретируется смысл слов. Создание семантической модели привело к пониманию необходимости создания языка для внутреннего представления знаний. И, наконец, важным достижением явилось понимание того, что анализ текстов на естественном языке (ЕЯ) состоит из четырех основных этапов: морфологический анализ, синтаксический анализ, семантический анализ, прагматический анализ.

Задача разбора предложения на естественном языке даже с ограниченным словарем в сотню слов является типичной задачей ИИ. Для достаточно формальных предметных областей и конкретных наборов предметов, обладающих однозначными, недвусмысленными характеристиками и названиями, такая система была создана Т. Виноградом в 1971 году. Его знаменитая программа SHRDLU [12] работает в абстрактном мире, состоящем из разноцветных кубиков и пирамид. В этом мире функционирует «однорукий» робот Робби, способный общаться с человеком на естественном (английском) языке и совершать манипуляции с объектами этого мира. Этот робот также способен понимать достаточно сложные выражения и самостоятельно планировать свою деятельность и объяснять мотивы тех или иных действий.

Вот небольшой пример - фрагмент реального диалога с этой системой:

- Найди блок, который выше, чем тот, что в твоей руке, и положи его в коробку.

- ОК.

- Поставь, пожалуйста, один из красных блоков на другой, а сверху либо зеленый блок, либо пирамиду.

- ОК.

- Служит ли самая короткая вещь, которая опирается на опору самой высокой пирамиды, опорой для чего-то еще?

- Да, для зеленой пирамиды.

- Когда ты брался за зеленую пирамиду?

- В то время, когда я строил башенку из красного куба, большого красного блока и большого зеленого куба.

- Почему?

- Чтобы от нее избавиться.

- Почему?

- Чтобы освободить красный куб.

Многократное повторение вопроса «Почему?» в итоге приведет к ответу: «Потому что вы меня об этом попросили». Самым интересным здесь является то, что программа не отвечает на заранее заданные типовые фразы. SHRDLU, можно сказать, «понимает», о чем ее спрашивают, и отвечает достаточно разумно. Сам алгоритм Винограда настолько элегантен, что занимает всего несколько сотен строк кода на языке LISP, любимом языке разработчиков ИИ, занимающихся анализом ЕЯ. Надо отметить, что даже для английского языка, который служит основой для всех современных языков программирования в силу своей лаконичности и достаточно формальной семантики, до сего дня не удалось создать более-менее эффективную программную систему, способную адекватно понимать СМЫСЛ фраз из достаточно больших областей знаний, например, нашего обыденного мира.

В разборе и понимании естественного русского языка массу проблем создает сложная падежная система, склонения, времена, отсутствие формального порядка следования членов предложения. Тем не менее российскими учеными созданы эффективные системы разбора фраз ограниченного естественного языка (ОЕЯ).


Лекция 3. (3ч) Организация базы знаний. Предметное (фактуальное) и проблемное (операционное) знания.

Цель: Познакомить с организацией базы знаний. Дать понятие фактуального и проблемного знаний.


^ В зависимости от совей природы знание бывает фактуальное и операционное.


Фактуальное знание – осмысленные данные. Операционное знание – общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них новую информацию.

^ Лекция 4. (3ч) Декларативное процедурное преставление знаний. Методы представлений знаний. Логический и эвристический методы рассуждения в ИИС.

Виды знаний и способы их представления.

Знание – формализованная информация, на которую ссылается или которую

используют в процессе решения задачи.

^ Знание о предметной области включает:


Описание объектов и их окружение, необходимых явлений и факторов.

Отношения между объектами.

Уровни формализации знания о предметной области:


Знание в памяти человека.

Знания в форме языковой модели в предметной области, зафиксированной на физических носителях.

Знания, формализованные для их представления в ЭВМ.

Фактографические сведения и данные.


Классификация знаний:



Знания как основные закономерности предметной области, позволяющие человеку решать конкретные, производственные, научные и другие задачи.

1.1. Фактические знания (факты, понятия, взаимосвязи, оценка, правила,

эвристики (догадки)).

1.2. Стратегические знания (стратегии принятия решений в конкретной

области).

Факты – иногда излагаются как текстовые знания.

Эвристики – знания, основанные на индивидуальном опыте эксперта,

накопленные в результате многолетней практики (способы

использования нечетной информации; способы разрешения

противоречий и т.п.).

Другой способ классификации знаний:

2.1. Декларативные – относятся все остальные знания (статьи в

энциклопедиях, словарях, формулировки законов физики, химии.).

Эти знания отвечают на вопрос: «Что представляет собой явление

Х.» или «Какие связи есть между Х и У?»

2.2. Процедурные – описывают последовательность действий, которые

могут быть использованы для решения задач. («Как сделать

устройство Х?»).

Знания делят на:

3.1. Экстенциональные знания – это данные, которые характеризуют

конкретные объекты предметной области;

Интенсиональные знания – это знания, которые работают с абстрактными объектами предметной области.

Знания бывают:

Глубинные – отражают понимание структуры предметной области (формулировки законов).

Поверхностные – касаются внешних эмпирических ассоциаций с каким либо феноменом предметной области.




Знания:

Жесткие – позволяют получать однозначно четкие рекомендации при заданных начальных условиях.

Мягкие – множественные, размытые решения (нечеткие) и различные варианты рекомендаций.



Задачи, которые приходится решать, делятся на:

Легко формализуемые задачи (связано с использованием жестких знаний).

Трудно формализуемые задачи (необходимость работы с мягкими знаниями).


Особенности трудно формализуемых задач:

Задача не может быть определена в числовой форме, т.е. требуется символьное представление;

Алгоритмическое решение задач неизвестно;

Задача, цель которой не может быть определена в терминах четко определенной целевой функцией.

Те системы, которые решают трудно формализуемые задачи относят к числу интеллектуальных систем.


^ Область применения систем искусственного интеллекта:

Там, где наука не может создать конструктивных определений, область этих определений меняется. Языковая (описательная) модель доминирует над алгоритмической.

Текущее развитие СИИ


мягкие

Требования к системам знаний


Терпимость к противоречиям

Обеспечение вывода, т.е. система значений должна быть способна к логическому выводу, как из имеющейся информации, так и из поступающей вновь. Различают два типа вывода:

- свободный (вывод связан с поступлением новой информации).

- направленный (вывод связан с поступлением конкретного запроса).

3. Критичность к новой информации – способность проверить

достоверность новой информации и согласовать её с имеющимися

значениями.

Дробность системы знаний – знания в системе должны быть разбиты на фрагменты, каждый из которых может быть использован.

Обучаемость и способность к переструктуированию знаний.


Особенности знаний для их представления в ЭВМ


Внутренняя интерпретируемость – каждая информационная единица должна иметь уникальное имя, по которой бы информационная система находила ее, а также отвечала бы на запросы, в которой это имя упомянуто.

^ Структурированность знаний, т.е. информационные единицы должны обладать определенной структурой, это означает, что должны быть возможности для установления отношений типа: часть – целое или род-вид, или элемент-класс.

Связность – между информационными единицами должна быть возможность установления связей различного типа. ^ Типы связей: функциональные связи (аргумент – функция), это пример процедур знания; отношения структуризации; казуальные отношения (причинно – следственные связи, «одновременно»); семантические отношения (объединяют и представляют все ранее перечисленные связи). Семантическая сеть – модель знаний, в вершинах – информационные единицы, а дуги характеризуют виды связи между информационными единицами. Если связи иерархичны, то они определяют отношение структуризации, а неиерархические связи будут определять отношения иных типов.

^ Семантическая метрика – отношение, которое характеризует близость информационных единиц, т.е. силу ассоциативных связей между ними.

Активность – данные – пассивные элементы, а команды – активные элементы по Фон Нейману. Появление новых данных может стать источником активности.

Нейрокомпьютеры понимают, прежде всего, символьные данные, а не цифровые.

Модели представления знаний


В интеллектуальных системах используют следующие способы описания знаний:

1. Логические модели

2. Сетевые модели

3. Продукционные модели

4. Фреймовые модели

5. Сценарии

6. Другие методы представления знаний.


Логические модели


В основе модели лежит формальная система, которая на языке теории множеств описывается следующей четверкой множеств:

М = <Т, Р, А, В>

Т – это множество базовых элементов (тезаурус): термины из какого либо словаря, набор деталей из конструкции. Для этого множества существует некоторый способ определения принадлежности к этому способу: П(Т)

^ Р – это множество синтаксических правил, с помощью которых из элементов множества Т образуют синтаксически правильные совокупности.

А – элементы этого множества образуют аксиомы, определенных на множестве Р. П(А) – процедура, определяющая принадлежность к А.

В – множество правил вывода, которые применяются к элементам множества

А.

В множестве А входят информационные единицы, которые введены в базу из вне, а с помощью правил вывода из множества В получают новые производственные знания. Таким образом, описанная система представляет собой генератор порождения новых знаний в данной предметной области.


^ Пример создания логической модели:


Когда температура в печи достигает 120˚ , и прошло менее 30 мин. с момента включения печи, то давление не превосходит критического. Если с момента включения прошло более 30 мин., то необходимо включить вентиль N2.

С помощью логики предикатов, это утверждение выглядит следующим о