ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 12.01.2024
Просмотров: 297
Скачиваний: 1
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
1.1.3 Функциональная структура системы искусственного
интеллекта
Функциональная структура системы ИИ (рис. 1.1) состоит из трех комплексов вычислительных средств. Первый из них представляет собой исполнительную систему (ИС) — совокупность средств, выполняющих программы и спроектированных с позиций эффективного решения задач; этот комплекс имеет в ряде случаев проблемную ориентацию. Второй комплекс — это совокупность средств интеллектуального интерфейса, имеющих гибкую структуру, которая обеспечивает возможность адаптации в широком спектре интересов конечных пользователей. Третьим комплексом средств, с помощью которых организуется взаимодействие первых двух комплексов, является база знаний, обеспечивающая использование вычислительными средствами первых двух комплексов целостной и независимой от обрабатывающих программ системы знаний о проблемной среде. Исполнительная система при этом объединяет всю совокупность средств, обеспечивающих выполнение сформированной программы; интеллектуальный интерфейс представляет собой систему программных и аппаратных средств, обеспечивающих для конечного пользователя возможность работы с компьютером для решения задач, возникающих в его профессиональной деятельности, без посредников или с незначительной их помощью; база знаний (БЗ) же занимает центральное положение по отношению к остальным компонентам вычислительной системы в целом, через нее осуществляется интеграция средств вычислительной системы, участвующих в решении задач.
Рисунок 1.1 - Функциональная структура системы ИИ
ТЕМА 1.2 НАПРАВЛЕНИЯ РАЗВИТИЯ
ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
Основное направление развития ИИ — это представление знаний и разработка систем, основанных на знаниях. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем (ЭС). В последнее время это направление также включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.
Традиционно искусственный интеллект включает в себя игровые интеллектуальные задачи — шахматы, шашки и т. п. В их основе лежит один из ранних подходов — лабиринтная модель (плюс эвристики). Сейчас это скорее коммерческое направление, так как в научном плане указанные идеи считаются тупиковыми.
Следующее направление — разработка естественно-языковых интерфейсов и машинный перевод. В 1950-х гг. одной из популярных тем исследований искусственного интеллекта являлась область машинного перевода. Первой компьютерной программой в этой области стал переводчик с английского языка на русский. Однако использованная в нем идея пословного перевода оказалась неплодотворной.
В настоящее время для решения подобных задач используется более сложная модель, включающая в себя анализ и синтез естественно-языковых сообщений и состоящая из нескольких блоков.
Традиционное направление искусственного интеллекта, берущее начало у самых его истоков, — это распознавание образов. Здесь каждому объекту ставится в соответствие матрица признаков, по которой происходит распознавание этого объекта. Данное направление близко к машинному обучению и тесно связано с нейрокибернетикой.
Такое направление как новые архитектуры компьютеров занимается разработкой новых аппаратных решений и архитектур, ориентированных на обработку символьных и логических данных. Последние разработки в этой области посвящены компьютерам баз данных, параллельным компьютерам и нейрокомпьютерам.
Еще одно направление — интеллектуальные роботы. Робот — это электромеханическое устройство, предназначенное для автоматизации человеческого труда. Сама идея создания роботов — исключительно древняя
(к ней можно, например, отнести еще средневековые легенды о «големах»).
Само же это слово появилось в 1920-х гг. и было придумано чешским писателем Карелом Чапеком в его повести «RUR». В настоящее время в мире изготавливается более 60 тыс. роботов в год.
Роботы с жесткой схемой управления. Практически все современные промышленные роботы принадлежат к этой группе и фактически представляют собой программируемые манипуляторы.
Адаптивные роботы с сенсорными устройствами. Существуют отдельные образцы таких роботов, но в промышленности они пока не используются.
Самоорганизующиеся, или интеллектуальные роботы. Это — идеал, конечная цель развития робототехники. Основная проблема при создании интеллектуальных роботов — проблема машинного зрения.
В рамках такого направления как специальное программное обеспечение разрабатываются специальные языки для решения задач невычислительного плана. Эти языки ориентированы на символьную обработку информации — Lisp, Prolog, SmallTalk, Рефал и др. Кроме них создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, — программные инструментарии искусственного интеллекта. Достаточно популярно и создание так называемых «пустых экспертных систем» — «оболочек»,
которые можно наполнять базами знаний, создавая различные экспертные системы.
Еще одна активно развивающаяся область искусственного интеллекта
— обучение и самообучение. Это направление включает в себя модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных, обучение на примерах (или индуктивное), а также традиционные подходы распознавания образов.
Появление сети Интернет оказало существенное влияние на развитие научного направления «искусственный интеллект» и наоборот. Можно отметить следующие существующие и перспективные применения технологий ИИ в Интернете:
- управление порталами, крупными интернет-магазинами и другими сложными web-системами;
- маршрутизация пакетов информации при их передаче по сети;
- прогнозирование и оптимизация загрузки каналов передачи информации;
- управление сетевыми роботами
1 и др.
1
Сетевые роботы (спайдеры) — интеллектуальные агенты, которые, начиная с некоторого заданного множества ссылок (URL) на web страницы, рекурсивно обходят ресурсы сети Интернет, извлекая ссылки на новые ресурсы из уже полученных документов до тех пор, пока не будет выполнено некоторое условие остановки. Кроме того, сетевыми роботами называют специальные программные модули, которые посещают заданные web-ресурсы и автоматически скачивают размещенную на них информацию.
Еще одна активно развивающаяся область искусственного интеллекта
— обучение и самообучение. Это направление включает в себя модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных, обучение на примерах (или индуктивное), а также традиционные подходы распознавания образов.
Появление сети Интернет оказало существенное влияние на развитие научного направления «искусственный интеллект» и наоборот. Можно отметить следующие существующие и перспективные применения технологий ИИ в Интернете:
- управление порталами, крупными интернет-магазинами и другими сложными web-системами;
- маршрутизация пакетов информации при их передаче по сети;
- прогнозирование и оптимизация загрузки каналов передачи информации;
- управление сетевыми роботами
1 и др.
1
Сетевые роботы (спайдеры) — интеллектуальные агенты, которые, начиная с некоторого заданного множества ссылок (URL) на web страницы, рекурсивно обходят ресурсы сети Интернет, извлекая ссылки на новые ресурсы из уже полученных документов до тех пор, пока не будет выполнено некоторое условие остановки. Кроме того, сетевыми роботами называют специальные программные модули, которые посещают заданные web-ресурсы и автоматически скачивают размещенную на них информацию.
ТЕМА 1.3 ДАННЫЕ И ЗНАНИЯ. ПРЕДСТАВЛЕНИЕ ЗНАНИЙ
В
ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ
План лекции:
1.3.1 Данные и знания. Основные определения
1.3.2 Модели представления знаний
1.3.1 Данные и знания. Основные определения
В рамках направления «Представление знаний» решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы (ИС). Для этого разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются также источники, из которых ИС может черпать знания, и создаются процедуры и приемы, с помощью которых возможно приобретение знаний для ИС. Проблема представления знаний для
ИС чрезвычайно актуальна, так как ИС — это система, функционирование которой опирается на знания о проблемной области, которые хранятся в ее памяти.
Однако, чтобы моделировать знания, нужно вначале ответить на целый ряд вопросов: Что такое знания? Чем они отличаются от данных? Чем отличаются базы знаний от баз данных?
Информация, с которой имеют дело компьютеры, разделяется на процедурную и декларативную. При этом процедурная информация реализуется в форме программ, которые выполняются в процессе решения задач, а декларативная информация — в форме данных, с которыми работают эти программы.
Данные — это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства.
Одновременно с развитием структуры ЭВМ происходило развитие информационных структур для представления данных. Появились способы
их описания в виде векторов и матриц, возникли списочные и иерархические структуры. В настоящее время в языках программирования высокого уровня используются абстрактные типы данных, структура которых задается программистом. Появление баз данных (БД) ознаменовало собой еще один шаг на пути организации работы с декларативной информацией. В базах данных могут одновременно храниться большие объемы информации, а специальные средства, образующие систему управления базами данных
(СУБД), позволяют эффективно манипулировать данными, при необходимости извлекать их из БД или записывать в БД в нужном порядке, вести поиск данных в БД и пр.
По мере развития исследований в области ИС возникла концепция знаний, которые объединили в себе многие черты процедурной и декларативной информации.
В компьютере знания, так же, как и данные, отображаются в знаковой форме — в виде формул, текста, файлов, информационных массивов и т. д.
Поэтому можно сказать, что знания — это особым образом организованные данные, но это слишком узкое понимание. Знания связаны с данными, основываются на них, но, в отличие от данных, представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности. Знания добываются эмпирическим путем.
Знания — это выявленные закономерности предметной области
(принципы, связи, законы), позволяющие решать задачи в этой области.
В системах ИИ знания являются основным объектом формирования, обработки и исследования. База знаний (БЗ) — это необходимая составляющая программного комплекса ИИ. Машины, реализующие алгоритмы ИИ, также называют машинами, основанными на знаниях.
(СУБД), позволяют эффективно манипулировать данными, при необходимости извлекать их из БД или записывать в БД в нужном порядке, вести поиск данных в БД и пр.
По мере развития исследований в области ИС возникла концепция знаний, которые объединили в себе многие черты процедурной и декларативной информации.
В компьютере знания, так же, как и данные, отображаются в знаковой форме — в виде формул, текста, файлов, информационных массивов и т. д.
Поэтому можно сказать, что знания — это особым образом организованные данные, но это слишком узкое понимание. Знания связаны с данными, основываются на них, но, в отличие от данных, представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности. Знания добываются эмпирическим путем.
Знания — это выявленные закономерности предметной области
(принципы, связи, законы), позволяющие решать задачи в этой области.
В системах ИИ знания являются основным объектом формирования, обработки и исследования. База знаний (БЗ) — это необходимая составляющая программного комплекса ИИ. Машины, реализующие алгоритмы ИИ, также называют машинами, основанными на знаниях.
Любая база знаний содержит в себе базу данных в качестве составляющей, но вовсе не сводится к ней. Главное отличие базы знаний от базы данных состоит в следующем: из базы данных можно извлечь лишь ту фактическую информацию, которая в нее заложена, тогда как благодаря закономерностям и связям из базы знаний можно выводить новые факты, которые непосредственно в нее заложены не были.
При построении баз знаний традиционные средства, основанные на числовом представлении данных, являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных.
1.3.2 Модели представления знаний
Существуют десятки моделей (языков) представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:
- семантические сети;
- фреймы;
- формальные логические модели; продукционные.
Семантические сети
Термин «семантическая» означает «смысловая», а сама семантика — это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т. е. наука, определяющая смысл знаков.
Семантическая сеть — это ориентированный граф, вершины которого представляют собой понятия, а дуги — отношения между ними.
В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: «это», «имеет частью»,
«принадлежит», «любит» и т. д.
Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:
1) класс — элемент класса;
2) свойство — значение;
3) пример элемента класса.
Проблема поиска решения в базе знаний типа семантической сети сводится к поиску путей на графе, позволяющих от вершин с исходными данными добраться до вершин с искомыми величинами. Такой поиск можно автоматизировать.
Вывод (продуцирование) новых знаний в семантической сети может проводиться «в двух направлениях»: от известных данных к цели
(результатам) или, наоборот, от цели к известным данным. Первый способ называется прямой волной, прямым поиском, прямой стратегией вывода, а второй — обратной волной, обратным поиском, обратной стратегией вывода.
Пример: на рисунке 1.2 изображена семантическая сеть, где вершинами являются понятия: «Человек», «Иванов», «Волга», «Автомобиль», «Вид транспорта», «Двигатель».
Основной недостаток подобной модели — сложность поиска вывода на семантической сети.
Фреймы
Автором теории фреймов является М. Минский. В основе этой теории лежат психологические представления о том, как мы видим, слышим и концентрируем внимание на воспринимаемом. Сам Минский считал теорию фреймов скорее «теорией постановки задач», чем продуктивной теорией, и суть ее излагал следующим образом. Каждый раз, попадая в некую ситуацию, человек вызывает в своей памяти соответствующую этой ситуации структуру, именуемую фреймом («frame» — «рамка»). Таким образом, фрейм
— это единица представления знания, заполненная в прошлом, детали которой по необходимости изменяются и уточняются применительно к ситуации. Каждый такой фрейм может быть дополнен различной информацией, касающейся способов применения этого фрейма, последствий такого применения и т. п. Образ жизни каждого человека — это большей частью череда типовых ситуаций, различающихся каждый раз в деталях, но в целом повторяющихся.
В психологии и философии известно понятие абстрактного образа.
Например, слово «комната» вызывает у слышащих его примерно следующий образ комнаты: «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, средней площади». В таком описании ничего нельзя пропустить по существу (например, убрав из него окна, мы получим уже чулан, а не комнату), но в нем есть «лакуны», или «слоты», — незаполненные значения некоторых атрибутов — конкретное количество окон, цвет стен, высота потолка, покрытие пола и др.
В теории фреймов такой образ и называется фреймом, равно как и формализованная модель для отображения такого образа.
С точки зрения пользователя различают три уровня общности фреймов:
1) скелетный, пустой фрейм (шаблон), превращаемый после его заполнения в общее или конкретное понятие;