1. Интеллектуальная обработка информации. Искусственный интеллект. Основные вехи развития ИИ. Примеры практических задач.

Интеллектуальная обработка информации — это автоматизированное решение (слабо)формализованных задач. Но автоматизированное не равно автоматическое!

Искусственный интеллект – комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые как минимум с результатами интеллектуальной деятельности человека.

Основные вехи развития искусственного интеллекта:

• 
  1943-1949 – Формализованное понятие ИИ/ИНС, первые аппаратные реализации
  
• 
  1958 – решение задач классификация с помощью однослойного перцептрона
  
• 
  1960 – реализация задач предсказания и адаптивного управления на термисторах
  
• 
  1969 – обнаружение ограниченности перцептрона, спад интереса к ИНС
  
• 
  1976-1982 – «период забвения», Al Winter
  
• 
  1982 – обучение без учителя (нейронная сеть Кохонена), развитие метода обратного распространения ошибки, взрывной рост интереса к ИНС
  
• 
  2007 – проявление методов глубокого обучение
  
• 
  2010 – первый opensource framework (torch)
  

Примеры практических задач ТИОИ:

• 
  Анализ мультимедиа-контента, оценка психофизического состояния человека (распознавание речи и тональности, определение дикторов, выявление признаков сгенерированного контента и пр.)
  
• 
  Генерация мультимедиаконтента (замена диктора, генерация/модификация видеоряда и пр.)
  
• 
  Семантический анализ текстов на естественном языке
  
• 
  Прогнозирование распространения информации в СМИ и социально-ориентированных ресурсах сети Интернет, анализ и прогнозирование поведенческих данных людей, обнаружение аномалий
  

2. Тест Тьюринга. Сильный и слабый ИИ: «китайская комната». Этическая проблема ИИ.

Тест Тьюринга: Пусть А - компьютер. В - человек, С - тоже человек, который общается с А и В посредством только письменных сообщений. С знает, что один из них компьютер, а второй человек, но не знает, кто есть кто. Задача обоих (А и В) - убедить С, что всё наоборот, при этом А и В друг с другом не взаимодействуют.

---

Тест Тьюринга считался пройденным, если компьютеру (А) удалось бы вводить собеседника (человека) С в заблуждение на протяжении хотя бы 30% суммарного времени. Тест Тьюринга был пройден «Женей Густманом» с результатом 33%.

Сильный ИИ – теория, утверждающая возможность существования ИИ, обладающего когнитивными способностями, т.е. способного ощущать себя как личность.

Слабый ИИ – теория, утверждающая отсутствие когнитивных способностей у ИИ.

«Китайская комната»: человек находится в изолированной комнате и не знает ни одного китайского иероглифа. Перед ним находятся таблички с иероглифами и книга с точными и полными инструкциями по манипуляции иероглифами. Наблюдатель, знающий китайские иероглифы, передает в комнату иероглифы с вопросами и ожидает получить ответ. Человек ничего не понимает, но следует инструкциям и выдает адекватные ответы. Наблюдатель уверен, что внутри китаец. Таким образом, человек проходит тест Тьюринга, но от этого не начинает понимать китайский язык.

Практическая польза ТИОИ:

• 
  Построение модели без формализованного описания;
  
• 
  Устойчивость к шумам входных данных и адаптация к изменениям – обобщения модели на несколько случаев;
  
• 
  Быстродействие за счет возможности аппаратного ускорения – однотипные вычисления (ИНС);
  
• 
  Забота об операторе: ручная обработка специфических материалов может привести к профессиональной деформации
  

Этическая проблема ТИОИ – темная сторона:

• 
  Дать или не дать кредит? Сколько будет стоить страховка?
  
• 
  Продолжит ли человек работать по специальности и после учебы? Стоит ли его оставить или отчислить?
  
• 
  Выживет ли человек после операции? Стоит ли пытаться его спасти?
  
• 
  Станет ли подсудимый рецидивистом?
  
• 
  Полезен ли данный человек для общества?
  

3. База знаний, онтологии, примеры баз знаний. Форматы записи онтологий. Шаги по построению системы знаний.

База знаний – база данных, содержащая правила вывода и информацию о человеческом опыта и знаниях в некоторой предметной области. В самообучающихся системах база знаний также содержит информацию, являющуюся результатом решения предыдущих задач.

Онтология – иерархический способ представления в базе знаний набора понятий и их отношений. Таким образом, знания — это совокупность онтологий.

---

Примеры баз знаний – симптомы, по которым ставится диагноз; параметры, по которым выдаётся кредит или нет (возраст, стаж работы, зарплата)

Язык описания онтологий — формальный язык, используемый для кодирования онтологии. Существует несколько подобных языков (список неполон):

• 
  OWL — Web Ontology Language, стандарт W3C, язык для семантических утверждений, разработанный как расширение RDF и RDFS;
  
• 
  KIF   (KnowledgeInterchangeFormat — формат обмена знаниями) — основанный на S-выражениях синтаксис для логики;
  
• 
  Common Logic (CL)  — преемник KIF (стандартизован — ISO/IEC 24707:2007).
  
• 
  CycL  — онтологический язык, использующийся в проекте Cyc. Основан на исчислении предикатов с некоторыми расширениями более высокого порядка.
  
• 
  DAML  
  
• 
  OIL  
  
• 
  Agent Communications Language  
  

Шаги по построению систем знаний:

• 
  Извлечений знаний
  
• 
  Структурированное описание знаний в формализованном виде
  
• 
  Дедупликация и снятие противоречий
  
• 
  Хранение знаний в базе знаний
  
• 
  Форматирование выводов
  

4. Типы знаний, факты и правила. Виды знаний. Данные, модели представления знаний и инженерия знаний.

Типы знаний:

• 
  Факты (фактические знания) – знания типа «А эквивалентно А»
  
• 
  Правила (знания для принятия решения) – знания типа «из А следует В»
  
• 
  Метазнания (знания о знаниях) – знания, касающиеся способов использования знаний, и знания, касающиеся свойств знаний
  

Виды знаний:

• 
  Общедоступные знания – это факты, определения, теории, которые обычно изложены в учебниках и справочниках по данной области
  
• 
  Эвристические знания – индивидуальные знания эксперта, которые основываются на его собственном опыте, накопленном в результате многолетней практики, и в значительной степени состоят из эмпирических правил. Эвристики не всегда в полной мере осознаются их обладателями, зато позволяют находить перспективные подходы к задачам и эффективно работать при зашумленных или неполных данных
  

Данные – совокупность фактов и идей, представленных в формализованном виде.

Модель представления знаний – задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

---

Инженерия знаний – раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.

Существуют 4 модели представления знаний:

• 
  Продукционная
  
• 
  Формально логическая
  
• 
  Фреймовая
  
• 
  Семантическая сеть
  

В основе продукционной модели представления знаний находится следующая конструкция продукции (правила): IF <условие> THEN <действие>.

Условия можно сочетать с помощью логических функций AND, OR. Условия и действия составленных правил формируются из атрибутов и значений.

Продукционная модель представления знаний нашла широкое применение в АСУТП (автоматизированная система управления технологическом процессом).

Порядок работы продукционной модели:

• 
  В базе данных продукционной системы хранятся правила, истинность которых установлена заранее при решении определенной задачи
  
• 
  Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с условием правила, которое подвергается проверке, имеет место совпадение
  
• 
  Результат работы правила заносится в базу данных
  

Формально логическая модель:

• 
  В основе лежит предикат первого порядка
  
• 
  Существует конечное непустое множество объектов предметной области Р
  
• 
  На множестве Р с помощью функций интерпретаторов установлены связи между объектами
  
• 
  На основе этих связей строятся все закономерности и правила предметной области
  

Если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой!

Разница между формальной логический и продукционной моделями состоит в том, что в продукционной модели не определены никакие связи между хранимыми объектами предметной области, она оперирует условиями.

Фреймовая модель:

Фрейм – это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов.

Слот – это артибут объекта. Слот имеет имя, значение, тип хранимых данных, демон.

Демон – процедура автоматически выполняющаяся при определенных условиях.

---

Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.

Слот может хранит другой фрейм, тогда фреймовая модель вырождается в сеть фреймов

Пример фреймовой модели:



Семантическая сеть – модель представления знаний, имеет вид ориентированного графа. Вершины графа соответствуют объектам предметной области, а дуги задают отношения между ними. Объектами могут быть: понятия, события, свойства, процессы.

Классификация семантических сетей:

• 
  Однородные сети обладают только одним типом отношений (стрелок).
  
• 
  В неоднородных сетях количество типов отношений больше одного. Примером таких сетей может быть семантическая сеть Википедии.
  

Еще одна классификация семантических сетей:

• 
  Сети с бинарными отношениями между понятиями – дуга связывает равно две вершины
  
• 
  Сети с N-арными отношениями между понятиями – дуга связывает N вершин. Такая семантическая сеть описывается гиперграфом.
  

5. Определение машинного обучения, признаки, модель, гипотеза. Регрессия и классификация.

Пусть компьютерной программе поставлена задача обучаться: выполнять задание T (task) на примерах E (experience) с измеряемым параметром качества P (perfomance). Машинное обучение реализуется, если качество Р выполнения задания Т растет с увеличением опыта Е.

Количество признаков обычно обозначают через n, а количество примеров для обучения через m. Признак — это критерий, по которому будет строиться гипотеза.

Гипотеза — это прогнозируемая итоговая модель.

Регрессия и классификация — это два метода, которые используются при разработке алгоритмов машинного обучения. И алгоритмы регрессионного машинного обучения, и алгоритмы классификационного машинного обучения относятся к сфере машинного обучения с учителем.

Ключевое различие между классификацией и регрессией состоит в том, что классификация предсказывает дискретную метку, а регрессия предсказывает непрерывное количество или значение.

6. Масштабирование и обезразмеривание признаков. Понятие признаков и размерности признакового пространства.

---

Смотрите также файлы

• 1. Горное производство как источник образования отходов переработка отходы ископаемое.rtf

• Физика пнінен for learning физика курсыны мазмны.pptx

• Тезисы лекции Периоды детства их характеристика и значимость. Группы риска у детей. Факторы риска.pdf

• Осуществление антивирусной защиты локальной вычислительной сети, серверов и рабочих станций.doc

• Атом ядросыны физикасы блімі бойынша жиынты баалау.docx