Назначение и основы использования систем искусственного интеллекта

Научной задачей искусственного интеллекта является воссоздание (имитация) с помощью искусственных устройств разумных рассуждений и действий человека.

При создании интеллектуальных информационных систем выделяют два основных подхода:

1) Нисходящий, семиотический – создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т.д.

2) Восходящий, биологический – изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе более мелких «неинтеллектуальных» элементов.

Системы искусственного интеллекта применяются для решения плохо формализуемых задач.

Примерами реализации систем искусственного интеллекта являются системы проверки правописания, электронные переводчики и словари.

С помощью искусственного интеллекта решают задачи распознавания образов, текста и речи.

Нейронные сети

Системы искусственного интеллекта, моделирующие работу головного мозга, называют нейронными сетями.

Перцептрон – это математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 г. и реализованная в виде электронной машины «Марк-1» в 1960 г. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» - первым в мире нейрокомпьютером. несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи.

Перцептрон состоит из трех типов элементов: поступающие от сенсоров сигналы передаются ассоциативным элементам, а затем реагирующим элементам. Таким образом, перцептроны позволяют создать набор «ассоциаций» между входными сигналами и необходимой реакцией на выходе.

Определение базы знаний

В базе знаний хранятся знания и факты.

Факты – это данные о некоторой предметной области: описание объектов, процессов и явлений.

Знания представляют собой результат интеллектуальной деятельности человека. Знания могут быть получены в результате обобщения теоретического и практического опыта.

Знания традиционно подразделяются на процедурные и декларативные. Исторически первичными были процедурные знания, т.е. знания, «растворенные» в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием искусственного интеллекта приоритет данных постепенно изменялся, и все большая часть знаний сосредотачивалась в структурах данных (таблицы, списки, абстрактные типы данных), т.е. увеличивалась роль декларативных знаний.

Сегодня знания приобрели чисто декларативную форму, т.е. знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных неспециалистам.

Модели представления знаний

Существуют десятки моделей представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:

· продукционные модели;

· семантические сети;

· фреймы;

· формальные логические модели.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие), то (гипотеза)».

В условиях записываются значения фактов, которые могут быть выражены в словесной форме. Например, ЕСЛИ ФАКТ = температура тела человека больше 37,4° градуса, ТО ГИПОТЕЗА = человек болен.

При составлении правил могут использоваться эвристические методы. Эвристика – это эмпирическое правило (основанное на опыте), упрощающее или ограничивающее поиск решения в предметной области.

Вывод новых знаний в продукционных моделях основывается на прямых или обратных логических рассуждениях.

Прямой порядок вывода применяется для случая, когда по известным фактам необходимо определить гипотезу. Например, известны результаты анализов больного (факты) и требуется поставить диагноз (найти гипотезу).

Обратный порядок вывода применяется для случая, когда известна гипотеза и требуется определить факты, которые могут служить обоснованием гипотезы. Например, больному поставлен предварительный диагноз (гипотеза) и необходимо определить, какие анализы (факты) соответствуют этому диагнозу.

Продукционная модель чаще всего применяется в диагностических экспертных системах.

Семантическая сеть – это ориентированный граф, вершины которого являются понятиями. А дуги представляют собой отношения между ними.

В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения – это связи типа: «это», «имеет частью», «принадлежит». Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

· класс – элемент класса (цветок – роза);

· свойство – значение (цвет – желтый);

· пример элемента класса (роза чайная).

Основным преимуществом модели является то, что она соответствует современным представлениям об организации долговременной памяти человека. Недостатком этой модели является сложность организации процедуры поиска вывода решений.

Фрейм – это абстрактный образ для представления некоего стереотипа восприятия.

В психологии и философии известно понятие абстрактного образа. Например, произнесение вслух слова «комната» порождает у слушающих образ комнаты: «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м²». Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан. А не комнату), но в нем есть «дырки» или «слоты» - это незаполненные значениями некоторых атрибутов, например, количество окон, цвет стен, высота потолка, покрытие пола и др.

В теории фреймов такой образ комнаты называется фреймом комнаты. Фреймом также называется и формализованная модель для отображения образа.

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных фактических ситуаций на основе поступающих данных. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире.

Традиционно структура фрейма может быть представлена как список свойств. важнейшим свойством теории фреймов является наследование свойств. Например, в сети фреймов понятие «ученик» наследует свойства фреймов «ребенок» и «человек», которые находятся на более высоком уровне иерархии. Наследование свойств может быть частичным, так как возраст для учеников не наследуется из фрейма «ребенок», поскольку указан явно в своем собственном фрейме.

Основным преимуществом фреймов как модели представления знаний является то, что она отражает концептуальную основу организации памяти человека, а также ее гибкость и наглядность.

Экспертные системы

Экспертная система (ЭС) – это интеллектуальная вычислительная система, в которую включены знания экспертов (опытных специалистов) о некоторой предметной области.

ЭС могут предназначаться для решения различных задач: интерпретации и анализа данных, диагностики, мониторинга, проектирования, прогнозирования, планирования и управления, обучения и поддержки принятия решений.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что в задачах анализа множество решений потенциально не ограничено. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения. К задачам синтеза относятся проектирование, планирование и управление.

С помощью редактора базы знаний эксперт совместно с инженером по знаниям заполняют базу знаний. Этот процесс называют извлечением знаний. Он является наиболее трудоемким и трудно формализуемым. Базы знаний могут включать до десятков тысяч правил.

Инженер по знаниям – специалист в области искусственного интеллекта, выступающий в роли посредника между экспертом и базой знаний. Синонимами специальности инженера по знаниям являются: когнитолог, инженер-интерпретатор, аналитик.

С помощью интерфейса пользователя происходит общение пользователя с ЭС. Пользователь – специалист предметной области с недостаточно высокой квалификацией, нуждающийся в поддержке своей деятельности со стороны ЭС.

База знаний (БЗ) – ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователь (обычно на некотором языке, приближенном к естественному).

Решатель – программа, моделирующая ход рассуждений эксперта на основе знаний, имеющихся в БЗ. Синонимами решателя являются: дедуктивная машина, машина вывода, блок логического вывода.

Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?».