Понятие об искусственном интеллекте

Понятие об искусственном интеллекте

Исследования в области искусственного интеллекта (ИИ) развернулись одновременно с началом промышленного использования ЭВМ. Сам термин “искусственный интеллект” впервые появился в конце 60-х гг. Искусственный интеллект (англ. - artificial intelligence) - это искусственные программные системы, созданные человеком на базе ЭВМ и имитирующие решение человеком сложных творческих задач в процессе его жизнедеятельности [1,2]. По другому аналогичному определению, “искусственный интеллект - это программы для ЭВМ, с помощью которых машина приобретает способность решать нетривиальные задачи и задавать нетривиальные вопросы”.

Различают два направления работ, составляющих искусственный интеллект (ИИ). Первое из этих направлений, которое можно условно назвать бионическим, имеет своей целью смоделировать деятельность мозга, его психофизиологические свойства, чтобы попытаться воспроизвести на ЭВМ или с помощью специальных технических устройств искусственный разум (интеллект). Второе (основное) направление работ в области ИИ, называемое иногда прагматическим, связано с созданием систем автоматического решения сложных (творческих) задач на ЭВМ без учета природы тех процессов, которые происходят в человеческом сознании при решении этих задач. Сравнение при этом осуществляется по эффективности результата, качеству полученных решений. Созданные в рамках этого направления системы ИИ позволяют доказывать математические теоремы, переводить тексты с одного языка на другой, диагностировать болезни, умело играть в шахматы и другие интеллектуальные игры. Новое поколение роботов, наделенных ИИ, обладает такими “интеллектуальными” способностями, как способность обучаться, приспосабливаться к изменениям внешней среды, “осмысленно” имитируя поведение человека.

 

Структура и состав системы искусственного интеллекта

На схеме представлена типовая схема решения задачи при использовании системы ИИ. Разберем более подробно эту схему – компонент. База знаний может быть условно разделена на 3 области:

1. 1)База целей, в которой располагается информация о целях для достижения которых предназначена система ИИ.

2. 2)База правил, содержащая сведения, которые отражают закономерности, характеристики, характерные для решаемого круга задач.

3. 3)База данных – количественные данные, факты, необходимые для решения задач.

Ввиду того, что база знаний играет ключевую роль в процессе принятия решений, систему ИИ обычно называют системой, основанной на знаниях. Взаимодействие системы ИИ с пользователем системы и набором датчиков, поставляющих текущую информацию о состоянии внешней среды, осуществляется с помощью специальных програмно-технических средств – интерфейса. Этот интерфейс также может обладать некоторыми интеллектуальными функциями: общение с человеком на естественном языке, восприятие символьной и графической информации.

Модуль извлечения знаний

Модуль извлечения знаний в составе экспертной системы не является обязательным компонентом. СИИ должна обеспечивать функцию ввода и обновление знаний. Эта функция либо реализуется в направлении "эксперт  система", либо СИИ извлекает новые знания из тех, которые уже содержатся в базе знаний. Последняя возможность осуществляется на основе механизмов вывода знаний и обучения. Существующие сложности, связанные с формированием понятий машиной, а также отсутствием эффективных формализмов для оперирования абстрактными значениями. Это обстоятельство не позволяет пока вести речь о коммерчески реализованных модулях обучения (самообучения) в составе экспертных систем. Вместе с тем, поскольку проблема обозначена, практически важные результаты научных исследований следует скорее всего ожидать в областях, где СИИ работает с задачами классификации и распознавания.

 

Механизм логического вывода

Механизм логического вывода. Этот программный инструмент, который получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из базы знаний конкретный алгоритм решения задачи, выполняет алгоритм, а полученный результат предоставляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя.

В основе использования любого механизма вывода лежит процесс нахождения в соответствии с поставленной целью и описанием конкретной ситуации (исходных данных), относящихся к решению единиц знаний (правил, объектов, прецедентов и т.д.) и связыванию их при необходимости в цепочку рассуждений, приводящую к определенному результату. Для представления знаний в форме правил это может быть прямая (рис.1) или обратная (рис.2) цепочка рассуждений.

Прямой вывод – это вывод ведущий от исходных аксиом к целевому выражению. При прямом выводе из-за неоднозначности выбора применяемых аксиом и правил вывода образуется дерево решений и процесс нахождения цепочки, ведущей от исходных аксиом к целевому выражению, является переборным. Стандартной процедурой, используемой при обходе дерева, является процедура возврата – бэктрэкинга.

При обратном выводе поиск доказательства начинается с целевого утверждения. Выясняются условия, при которых целевое утверждение является выводимым. Эти условия принимаются за новые целевые утверждения и процесс поиска продолжается. Обратный вывод заканчивается, когда все очередные условия оказываются аксиомами или процесс обрывается, не приведя к аксиомам.

 

Модели представления знаний

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа

«Если (условие), то (действие)».

Под условием понимается некоторое предложение — образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточ­ными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

Фреймовая модель основана на концепции Марвина Мински (Marvin Minsky) – профессора Массачусетского технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

Фрейм (англ. frame – рамка, каркас) – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах.

Слот (англ. slot – щель, прорезь) может быть терминальным (листом иерархии) или представлять собой фрейм нижнего уровня.

Семантические сети основываются на результатах изучения организации долговременной памяти человека. Характерной особенностью для семантических сетей является то, что они для образования своей структуры используют два компонента — понятия и отношения. Вершинам сети соответствуют понятия (объекты, события, процессы, явления), а дугам, их соединяющим, — отношения между понятиями.

В зависимости от структуры узлов и характера отношений между ними различают следующие сети: простые, иерархические, однородные и неоднородные. Последние делятся на функциональные сети, сценарии и семантические сети.

В семантических сетях знания представлены в терминах естественного языка и отношений между ними (элемент — класс; класс — подкласс; функциональные дуги).

Логические модели представления знаний реализуются средствами логики предикатов.

Предикатом называется функция, принимающая два значения (истина или ложь) и предназначенная для выражения свойств объектов или связей между ними. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием. Константы служат для именования объектов предметной области. Логические предложения или высказывания образуют атомарные формулы. Интерпретация предиката — это множество всех допустимых связываний переменных с константами. Связывание представляет собой подстановку констант вместо переменных. Предикат считается общезначимым, если он истинен во всех возможных интерпретациях.

 

Модель продукционных правил. Пример модели продукционных правил

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа

«Если (условие), то (действие)».

Под условием понимается некоторое предложение — образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточ­ными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

При использовании продукционной модели база знаний состоит из набора правил, Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения – к данным). Данные — это исходные факты, на основании которых запускается машина вывода.

Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выполнение той или иной продукции из числа актуали­зированных.

В состав системы продукций входит база правил (продукций), глобальная база данных и система управления. База правил – это область памяти, которая содержит совокупность знаний в форме правил вида ЕСЛИ – ТО.

Приведем несколько примеров.

Правило 1.

ЕСЛИ (намерение — отдых) и (дорога ухабистая) ТО (использовать джип)

Правило 2.

ЕСЛИ (место отдыха — горы) ТО (дорога ухабистая)

Модель, основанная на фреймах. Пример модели, основанной на фреймах

Фреймовая модель основана на концепции Марвина Мински (Marvin Minsky) – профессора Массачусетского технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

Фрейм (англ. frame – рамка, каркас) – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах.

Слот (англ. slot – щель, прорезь) может быть терминальным (листом иерархии) или представлять собой фрейм нижнего уровня.

Каждый фрейм, как показано на рисунке ниже, состоит из произвольного числа слотов, причем несколько из них обычно определяются самой системой для выполнения специфических функций, а остальные определяются пользователем.

 

Модель семантической сети. Пример модели семантической сети

Семантические сети основываются на результатах изучения организации долговременной памяти человека. Характерной особенностью для семантических сетей является то, что они для образования своей структуры используют два компонента — понятия и отношения. Вершинам сети соответствуют понятия (объекты, события, процессы, явления), а дугам, их соединяющим, — отношения между понятиями.

В зависимости от структуры узлов и характера отношений между ними различают следующие сети: простые, иерархические, однородные и неоднородные. Последние делятся на функциональные сети, сценарии и семантические сети.

В семантических сетях знания представлены в терминах естественного языка и отношений между ними (элемент — класс; класс — подкласс; функциональные дуги).

Основные характеристики семантических сетей:

• объекты описываются на естественном языке;

• все знания накапливаются в относительно однородной структуре памяти;

• на сетях определяются унифицированные отношения между объектами, которым соответствуют унифицированные методы вывода;

• методы вывода в соответствии с запросами определяют участки семантического знания, имеющего отношение к поставленной задаче, формулируя акт понимания запроса и некоторую цепь выводов, соответствующих решению задачи.

Семантические сети обладают следующими достоинства-м и: повышенной гибкостью за счет наличия свойств ассоциативности и иерархичности; гармоничным и естественным сочетанием декларативного и процедурного, синтаксического и семантического знания; наглядностью отображения объектов, связей, отношений в силу присущей им возможности графической нотации; легкой читаемостью и понимаемостью знаний; высокой степенью структуризации знаний.

Среди недостатков сетевого представления выделяют: сложность и трудность разработки алгоритмов их анализа ввиду нерегулярности структуры и большого количества дуг, несущих синтаксическую информацию; пассивность структуры сети, для обработки которой необходим сложный аппарат формального вывода и планирования; разнообразие типов вершин и связей, произвольность структуры, требующей большого разнообразия процедур обработки; трудность представления и обработки неточных и противоречивых знаний.

В целом семантические сети позволяют представлять семантику ПрО, а также осуществлять за счет наличия связей и отношений между понятиями целевую ориентацию и таким образом отражать прагматическую составляющую знаний.

В связи с указанными недостатками предприняты попытки усовершенствования семантических сетей, которые в основном нацелены на организацию процессов обобщения в сети, решение проблемы поиска и повышения их изобразительных возможностей.

 

Логическая модель. Примеры логической модели

Логические модели представления знаний реализуются средствами логики предикатов.

Предикатом называется функция, принимающая два значения (истина или ложь) и предназначенная для выражения свойств объектов или связей между ними. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием. Константы служат для именования объектов предметной области. Логические предложения или высказывания образуют атомарные формулы. Интерпретация предиката — это множество всех допустимых связываний переменных с константами. Связывание представляет собой подстановку констант вместо переменных. Предикат считается общезначимым, если он истинен во всех возможных интерпретациях. Говорят, что высказывание логически следует из заданных посылок, если оно истинно всегда, когда истинны посылки.

Описания предметных областей, выполненные в логических языках, называются логическими моделями.

Преимущество логических моделей представления знаний заключается в возможности непосредственно запрограммировать механизм вывода синтаксически правильных высказываний.

 

 

Обучение нейронных сетей

Под обучением понимается целенаправленное изменение весовых коэффициентов синоптических связей нейронов сети из условий достижения требуемых характеристик сети, т.е. желаемая реакция на входные воздействия. В основе лежит базовый принцип обучения – минимизация эмпирической ошибки между желаемым выходом сети и фактической реакции сети. Теорема Розенблатта: Для любого данного набора входной векторов и любой требуемой их классификации алгоритм обучения через конечное число шагов приведет к вычислению требуемого набора весов, если таковой существует.

Существует 2 алгоритма обучения: 1) с учителем; 2) без учителя.

Обучение с учителем: обучение, которое производится под контролем внешнего «учителя», который оценивает поведение системы и управляет ее последующими модификациями. Используется в сетях, предназначен-ных для решения задач классификации, аппроксимации, прогнозирования. Обучение без учителя: Сеть путем самоорганизации делает необходимые изменения. Применяется в задачах кластеризации и сегментации для поддержки принятия решений.

 

Нечеткий алгоритм

Понятие нечеткого алгоритма, впервые введенное Л.А.Заде [8], является важным инструментом для приближенного анализа сложных систем и процессов принятия решений. Под нечетким алгоритмом (fuzzy algorithm) понимается упорядоченное множество нечетких инструкций (правил), в формулировке которых содержатся нечеткие указания (термы).

Например, нечеткие алгоритмы могут включать в себя инструкции типа:

а) "х = очень малое";

б) "х приблизительно равно 5";

в) "слегка увеличить х";

г) "ЕСЛИ х - в интервале [4,9; 5,1], ТО выбрать у в интервале [9,9; 10,1]”;

д) "ЕСЛИ х - малое, ТО у - большое, ИНАЧЕ у - не большое". Использованные здесь термы "очень малое", "приблизительно равно", "слегка увеличить", "выбрать в интервале" и т.п. отражают неточность представления исходных данных и неопределенность, присущую самому процессу принятия решений.

Две последние инструкции (г-д) представляют собой правила (или нечеткие высказывания), построенные по схеме логической импликации "ЕСЛИ-ТО", где условие "ЕСЛИ" соответствует принятию лингвистической переменной х некоторого значения А, а вывод (действие) "ТО" означает необходимость выбора значения В для лингвистической переменной у:

(х=А) → (у=В).

Указанные правила получили широкое распространение в технике.

 

Теория нечетких множеств

Теория нечётких множеств (Заде) — это расширение классической теории множеств, используется в нечёткой логике. Впервые предложена Лотфи Заде в 60-х годах XX века.

В классической теории множеств принадлежность элементов множеству оценивается в бинарных терминах в соответствии с чётким условием — элемент либо принадлежит, либо нет данному множеству. Напротив, теория нечётких множеств разрешает градуированную оценку отношения принадлежности элементов множеству; то есть это отношение описывается при помощи функции принадлежности. Нечёткие множества — это расширение классической теории множеств, поскольку на некотором множестве функция принадлежности может действовать так же, как индикаторная функция, отображая все элементы либо в 1, либо в 0, как в классическом варианте.

 

Лингвистические переменные

Одним из ключевых понятий нечеткой логики является понятие лингвистической переменной. Суть данного понятия состоит в том, что конкретные значения числовой переменной обычно подвергаются субъективной оценке человеком и результат выражается на естественном языке. Переменные, значениями которых являются термы (слова, фразы), выраженные на естественном языке, называют лингвистическими переменными.

Например, лингвистическая переменная «яркость». Тогда будем полагать, что различные значения физической переменной х можно охарактеризовать набором из 5 нечётких подмножеств – лингвистических переменных.

 

Понятие об искусственном интеллекте

Исследования в области искусственного интеллекта (ИИ) развернулись одновременно с началом промышленного использования ЭВМ. Сам термин “искусственный интеллект” впервые появился в конце 60-х гг. Искусственный интеллект (англ. - artificial intelligence) - это искусственные программные системы, созданные человеком на базе ЭВМ и имитирующие решение человеком сложных творческих задач в процессе его жизнедеятельности [1,2]. По другому аналогичному определению, “искусственный интеллект - это программы для ЭВМ, с помощью которых машина приобретает способность решать нетривиальные задачи и задавать нетривиальные вопросы”.

Различают два направления работ, составляющих искусственный интеллект (ИИ). Первое из этих направлений, которое можно условно назвать бионическим, имеет своей целью смоделировать деятельность мозга, его психофизиологические свойства, чтобы попытаться воспроизвести на ЭВМ или с помощью специальных технических устройств искусственный разум (интеллект). Второе (основное) направление работ в области ИИ, называемое иногда прагматическим, связано с созданием систем автоматического решения сложных (творческих) задач на ЭВМ без учета природы тех процессов, которые происходят в человеческом сознании при решении этих задач. Сравнение при этом осуществляется по эффективности результата, качеству полученных решений. Созданные в рамках этого направления системы ИИ позволяют доказывать математические теоремы, переводить тексты с одного языка на другой, диагностировать болезни, умело играть в шахматы и другие интеллектуальные игры. Новое поколение роботов, наделенных ИИ, обладает такими “интеллектуальными” способностями, как способность обучаться, приспосабливаться к изменениям внешней среды, “осмысленно” имитируя поведение человека.