Архитектура и основные составные части систем ИИ

Интеллектуальные задачи.

Интеллектуальные задачи

Новые технологии решения задач

Интеллектуализация ЭВМ

P ONboOqSQ47mVWe4J6Erd1LVtAQy151G7gNzWePj2Wn/W5Og3AAAA//8DAFBLAwQUAAYACAAAACEA rEqHG98AAAAKAQAADwAAAGRycy9kb3ducmV2LnhtbEyPwU6DQBCG7ya+w2ZMvLW7FIuILI02anoV jbG3KYxAZGcJu6X49m5PepvJfPnn+/PNbHox0eg6yxqipQJBXNm640bD+9vzIgXhPHKNvWXS8EMO NsXlRY5ZbU/8SlPpGxFC2GWoofV+yKR0VUsG3dIOxOH2ZUeDPqxjI+sRTyHc9HKlVCINdhw+tDjQ tqXquzwaDesXI9c7TOIp/dw/bSdlHvflh9bXV/PDPQhPs/+D4awf1KEITgd75NqJXsPiNooCquEm jUGcgZW6A3EIQxKnIItc/q9Q/AIAAP//AwBQSwECLQAUAAYACAAAACEAtoM4kv4AAADhAQAAEwAA AAAAAAAAAAAAAAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBLAQItABQABgAIAAAAIQA4/SH/1gAA AJQBAAALAAAAAAAAAAAAAAAAAC8BAABfcmVscy8ucmVsc1BLAQItABQABgAIAAAAIQAVdDjMtwIA AG4FAAAOAAAAAAAAAAAAAAAAAC4CAABkcnMvZTJvRG9jLnhtbFBLAQItABQABgAIAAAAIQCsSocb 3wAAAAoBAAAPAAAAAAAAAAAAAAAAABEFAABkcnMvZG93bnJldi54bWxQSwUGAAAAAAQABADzAAAA HQYAAAAA " fillcolor="white [3201]" strokecolor="#f79646 [3209]" strokeweight="2pt">

Имитация творческих процессов

Роботы

 

 

Имитация творческих процессов:

1) Игровые задачи.

2) Стихосложение, музыка.

3) Доказательство теорем.

Интеллектуализация, новые технологии решения задач и роботы:

1) Обучение на естественном языке.

2) Распознавание образов.

3) Автоматизация программирования.

4) Представление знаний.

5) Принятие решений в модели представления знаний.

 

Представление знаний и поиск решений в системах ИИ

Вопросы:

1) Понятие знания. Свойства знаний

2) Модели представления знаний и их классификация.

 

1.В начале, для ЭВМ использовались данные, в основном числовые. С развитием ЭВМ, структуры данных усложнялись и они превратились в знания для ССИ.

Свойства знаний, отличающие их от данных:

1) Внутренняя интерпретируемость.

Для данных содержательная интерпретация может быть реализована только через программу. Знания обладают своей собственной содержательной интерпретацией (пример – реляционная модель базы данных);

Например, нарисовали таблицу с числами. Это данные (числа), потому что у них нет содержательной внутренней интерпретации.

 

2) Структурируемость.

Понятия, связаны между собой связями «часть-целое», «класс-элемент» и т.д. Такие связи образуют иерархию понятий и позволяют вводить новые понятия. Описание каждой информационной единицы состоит из двух частей: 1) информация о данной единице 2) ссылки на родовые единицы. Пример:

 

Структурируемость отражает классифицирующие связи.

3) Связанность.

Знания связаны между собой не только классифицирующими связями, но и ситуативными связями.

Пример:

«В тени сада среди старых развесистых клёнов стояла старенькая беседка».

Существует около 200 ситуативных связей между различными понятиями.

4) Активность.

У человека активность знаний проявляется в формировании целей и вызове процедур (действий) для достижения этих целей.

 

Пример:

Система Джин

В системе искусственного интеллекта Джин есть 3 информационные единицы a, b, c, связанные между собой оценочными связями.

Оценочные (оценка) зачтено/не зачтено.

с – система

a и b – пользователи

Система имеет две оценки «+» для a и «–» для b. В то же время пользователи имеют «+» мнения друг о друге.

В результате положительного опроса с меняет мнение. Друг моего друга – мой друг.

До с доходят плохие отзывы от а и b. А возбуждает процедуру поиска и меняет мнение о b.

 

Виды знаний:

1) Декларативные.

Не содержат в явном виде описание выполняемых процедур.

Пример: реляционная таблица в БД.

2) Процедуральные.

Содержат в явном виде описание выполняемых процедур.

Пример: любая программа на языке высокого уровня.

В знаниях выделяются три компоненты:

1) Синтаксическая. Описывает структуру объекта, не содержит смыслового содержания.

Пример: стул-предмет мебели.

2) Семантическая. Содержит информацию, связанную со значением и смыслом объекта.

3) Прагматическая. Описывает цель создания объекта.

 

Модели представления знаний.

 

1) Продукционные: графы, гиперграфы.

2) Логические: логика предикатов, нечеткая логика.

3) Реляционные: реляционная алгебра, семантические сети, фреймы, сети фреймов.

 

Формальные системы

 

В основе всех логических моделей лежит понятие формальной системы. В алгебре высказываний это понятие называется формальной теорией.

Формальная теория или система t состоит из:

1) Множества базовых элементов, составляющих алфавит формальной системы, множество А. Множество конечно. Базовыми элементами являются элементы которые не могут быть расщеплены на более мелкие.

Пример: алфавит любого языка.

2) Система аксиом. Аксиомы строятся из элементов алфавита, множество В. То что заранее задано.
Пример: Конструктор Лего, кубики.

3) Множества правильно построенных формул всех возможных комбинаций базовых элементов.

Аксиома тоже является правильно построенным множеством F.

Аксиомы В являются подмножеством правильно построенной формулы. Множество правильно построенных формул бесконечно. Аксиомы как правило конечно.

4) Множество правил вывода (R). С их помощью из множества аксиом выводятся другие правильно построенные формулы входящие в множество F.

Пример: Система правил русского языка, не существуют слова из пяти согласных и гласных.

Кванторы

 

Существует два вида кванторов:

1) квантор всеобщности . Читается для любого Х или для всех Х. Квантор навешивается на переменную. Переменная в этом случае называется связанной переменной.

2) квантор существования . Существует такой Х,или существует хотя бы один Х.

Пример: предметная область-люди; х- человек; Р(х)- студент.

- существует такой х → студент х (Истина)

- для любого х → студент х (Ложь)

Пример.

 

Метод резолюции

Метод резолюции является более эффективным методом чем метод семантических деревьев.

Например: Y=sin(2x)

Z=2x

Y=sin(z)

Подстановка – замена переменных в некотором выражении на термы. Любую подстановку можно представить в виде множества упорядоченных пар N={t₁/V₁, t₂/V₂, ……., t_k/V_k}, где пара t_i/V_i означает что в выражении каждое вхождение переменной в V_i заменяется на терм t_i не содержащий эту переменную.

Пример:

N={r/2x}

Пример:

N1={z/x, w/y}

P(x, f(y), b}

P(x,f(y),b)_N1=P(z,f(w)

 

Унификация.

Применение подстановки N к множеству {E_ii} c целью приведения их к одному и тому же виду. Если такая подстановка N существует то такая подстановка называется унификатором для множества выражений Е итое, а само множество выражений называется унифицируемым.

E={P(x,f(y),b), P(x,f(b),t}

E₁=P(x,f(y),b)

E₂=P(x,f(y),b)

N={a/x,f(b/y),b)

E_1N=P(a,f(b),b)

E_2N=P(a,f(b),b)

M={b/y}

E_1N’={P(x,f(b),b)}

E_2N’={P(x,f(b),b)}

Резолюция

Правила вывода, которые могут применяться к определенному классу пропозициональных формул. Процесс резолюции применяется к двум родительским предложениям и порождает третье выводимое из этих двух предложение.

Силлогизм – из двух суждений выводится третье суждение. Основоположником силлогизмов был Аристотель, классический силлогизм Аристотеля: все люди смертны-первое суждение, Сократ человек – второе суждение, Сократ смертен – третье суждение.

Если х – человек, то человек смертен.

 

Резольвента

Пусть исходные пропозициональные формулы или предложения заданы в виде множества {L_i} и множества {М_i} не имеющих общих переменных (если они есть их всегда можно переименовать путем подстановки). Предположим, что существует множество{l_i}, являющееся подмножеством множества {L_i}, есть множество {m_i} являющееся подмножеством множества {М_i}, такие что для {l_i}v{m_i} существует НОУ N’. Тогда говорят, что два предложения L={L_i} и М={М_i} разрешаются, и новое предложение называется их резольвентой.

 

Нейронные сети

 

Одним из наиболее перспективной ИИ системы. Это многопроцессорная система.

1.Недостатки и преимущества использования нейронных сетей

Преимущества:

1. 1.Параллельная обработка информации. Резко сокращается время на задачу

2. 2.Надежность функционирования

3. 3.Возможность обучения

4. 4.Способность решать неформализованные задачи. Не численные задачи, условие которых заданы не логически

Нейронные сети реализуются на нейрокомпьютерах. Они могут менять свое поведение в зависимости от составления окружающей среды. После анализа входных сигналов они самонастраиваются и обучаются. Первые нейронный сети создали в 50ые годы XX века. Первые искусственные нейронные сети в 70ые годы XX века. А в 90ые годы появился нейрокомпьютер на одном кристалле.

Пример: Многослойная, полносвязная нейронная сеть прямого распространения сигнала.

Полносвязная сетью называется – многослойная структура для которой каждый нейрон производит слоя связанные со всеми нейронами предыдущего слоя. А в случае первого слоя со всеми ходами нейронной сети. Прямое распределение сигнала обозначает, что данная нейронная сеть не содержит петель.

Входы 1 слой 2 слой Выходы

 

 

 

=f - Формула одного нейрона

 

Выход нейрона слоя i+1 рассчитывается как функция от суммы произведения веса на dход со слоя i это x.

N –число весов.

Обучение нейронных сетей: под обучением нейронных сетей понимается:

1) Процесс настройки архитектуры сетей (структуры связей между нейронами)

2) Настройка весов в ходах каждого нейрона.

Обучение нейронной сети осуществляется на известной выборке. Процесс обучения проходит по определенному алгоритму.

Существует 3 вида обучения:

1) с учителем – известны правильные ответы к каждому входному примеру. Веса подстраиваются так, чтобы минимизировать ошибку;

2) обучение без учителя – распределение образцов по категориям за счет раскрытия внутренней структуры данных;

3) смешанное обучение – комбинация первого и второго.

Недостатки использования нейронных сетей:

1) Надежность работы. Искусственные нейронные сети дают высокий процент ошибок и не используются в ситуациях касающихся жизни людей, а выступают в качестве дополнительного средства.

2) Традиционные нейронные сети не способны объяснить как они решают задачу, что затрудняет проверку достоверности результата.

3) Высокая стоимость.

Преодоление этих недостатков - это комбинация нейронных сетей и экспертных систем. Простые вопросы решает нейронная сеть, а более сложные передаются в экспертную систему.

Преимущества нейронных сетей:

1) Возможность работы в условиях непригодных для человека.

2) Решение задач в реальном времени.

3) Возможность решать интеллектуальные задачи без участия человека.

Области применения нейронных сетей:

1) Оборонная промышленность. Решение зада, распознавание образов.

2) Сети и телекоммуникации – расчет трафика между узлами сети.

3) Информационные технологии. Определение тематики текстовых сообщений.

4) Реклама и маркетинг.

5) Экономика и финансы. Используется в банках для отслеживания клиентов при использовании кредитных и банковских карт.

6) Здравоохранение. Проверка и анализ слуха у грудных детей

Перспективы развития нейронных сетей:

1) «Умные дома».

2) Разработка нейрокомпьютеров, способных общаться на естественном для человека языке.

3) Использование нейронных сетей в роботах.

 

Архитектура и основные составные части систем ИИ

 

Вопросы:

1. Различные подходы к построению систем ИИ (логический, структурный, эволюционный, имитационный),

2. Вспомогательные системы (распознавание образов зрительных и звуковых, идентификация, моделирование, жесткое программирование) их место в системах ИИ.

Подходы к построению систем ИИ:

1) Логический подход.

Основа для данного подхода – булева алгебра. Система ИИ построенная на логическом подходе представляет из себя машину для доказательства теорем. Любой вопрос система рассматривает как целевую функцию теоремы. Теорема доказывается на основе имеющихся в базе знаний системы аксиом и правил вывода. (математический аппарат и логика предикатов - булева алгебра).

Недостатки логического подхода:

- большая трудоемкость;

- длительное время решения, т.к. решение основывается на переборе всех вариантов.

2) Структурный подход.

Моделирование структуры человеческого мозга. Пример – нейронная сеть.

Достоинства:

- быстродействие, уменьшение времени решений из-за параллельной обработки информации.

Недостатки:

- отсутствие трассировки.

3) Имитационный подход.

Классический подход к кибернетике. Черный ящик - устройство, программный модуль или набор данных, причем неизвестны ни их структура, ни содержание, но известны выходные данные и выходные данные.

Черный ящик

вход выход

 

 

 

Объект поведение которого имитируется и есть черный ящик.

Недостатки:

- низкая информационная способность таких моделей.

4) Эволюционный подход – строится начальная модель (На основе логического или структурного подхода), а к ней применяется алгоритм обучения.

Недостатки: полученные новые модели не позволяют извлекать новые знания о среде.

Вспомогательные системы.

Распознавание: для того, чтобы человек сознательно воспринимал зрительную или звуковую информацию она должна пройти длительную обработку.

Глаз: сетчатка-> слой нервных клеток-> зрительные «буры» головного мозга.

В системах ИИ имеются подсистемы, позволяющие частично воспроизвести эти свойства человеческого интеллекта (Например: детекторы).

Идентификация: в настоящее время частично решена задача по распознаванию зрительных и звуковых образов с помощью программного обеспечения ЭВМ.

Моделирование: построение имитационной модели поведения человека в различных ситуациях, угрожающих его существованию (робот обладает системой различных датчиков, которые определяют уровень его безопасности).

Жёсткое программирование: выполнение системой ИИ в определенных ситуациях заданного алгоритма действий(Например: отдергивание руки от огня).

Интеллектуальные решения у человека принимаются на высшем уровне управления (мозг), который ставит общую задачу, далее система управления работает по принципу иерархии. Задача детализируется более нижними уровнями интеллекта, а часть вещей.

 

3 Интеллектуальный интерфейс

 

Интеллектуальный интерфейс – часть система ИИ, позволяющая пользователю общаться с системой. Интеллектуальный интерфейс должен содержать:

1) систему представления знаний о предметной области

2) программно-аппаратные средства логического вывода необходимые для пополнения знаний, обобщение их и проверки их на не противоречивость.

3) Система общения на естественном языке (лингвистический процессор).

4) Система планирования (планировщик) необходимая для описания исходной задачи на естественном языке (планировщик решения).

 

Функциональные структуры прикладных систем ИИ.

1) Информационно-поисковые системы Появились до возникновения ЭВМ. Первая ИПС – карточка картонная на железном прутике. В настоящее время в состав ИПС включается ЭВМ. Информационно-поисковые системы преобразуются в интеллектуальные ИПС.

 

2. Интеллектуальные информационно — поисковые системы (ИИПС):

 

 

База знаний

Процессы поиска

Диалог процессор

Информационный банк

 

КП – общается с ИИПС в режиме регламентированного диалога. Ответ системы на запрос пользователя в виде заполненного бланка.

-Режим диалогового процесса позволяет «общаться» с системой.

- База знаний содержит сведения о предметной области.

- Информационный банк — это набор алгоритмов и моделей поиска.

 

Интеллектуальные пакеты прикладных программ.

База знаний

Планировщик

Диалог процессор

Пакет прикладных программ

КП

 

 

Диалог процессор позволяет общаться на естественном языке с системой. База знаний содержит информацию о математической модели о заданной предметной области. Планировщик – специальное управляющаяся программа, используемая для управления взаимодействием подсистем.

 

 

Расчетно-логические системы (РЛС)

РЛС используется группой КП (конечный пользователь) решающих одну задачу. Сложная задача разбивается на подзадачи решаемые отдельными КП. Во время решения происходит многократный обмен информации по горизонтальному между пользователями одного ранга и по вертикали с КП более высокого уровня.

Взаимодействие между КП организовано с помощью сети ЭВМ в роли КП может выступать человек или ЭВМ. Такая система представляет из себя распред.искус.интел.(РИИ) в состав РЛС включаются средства распространения среды всех КП новой информации, добавленной одним из КП.

 

Экспертная система

Э

КП

Диалог процессор

Планировщик

Подсистема объяснения

База знаний

Пакет прикладных программа

h btCJMal22LN86HCksqP663ByFrQpy37t4/MH8if65Wr9+FJX1t7ezA87UJHm+GeGX3xBh0KYKn/i JqjBQmJW92IVYStTDIlJZaksbNIt6CLX/xsUPwAAAP//AwBQSwECLQAUAAYACAAAACEAtoM4kv4A AADhAQAAEwAAAAAAAAAAAAAAAAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBLAQItABQABgAIAAAA IQA4/SH/1gAAAJQBAAALAAAAAAAAAAAAAAAAAC8BAABfcmVscy8ucmVsc1BLAQItABQABgAIAAAA IQA9ufrTGQIAAEAEAAAOAAAAAAAAAAAAAAAAAC4CAABkcnMvZTJvRG9jLnhtbFBLAQItABQABgAI AAAAIQCiNw502wAAAAkBAAAPAAAAAAAAAAAAAAAAAHMEAABkcnMvZG93bnJldi54bWxQSwUGAAAA AAQABADzAAAAewUAAAAA " adj="10784,-728011,-109760" strokecolor="#4579b8 [3044]">

 

В роли эксперта может выступать человек, а может информация собранная от многих специалистов в данной области.

Позволяет разъяснить КП полученные решения.

 

 

Интеллектуальные роботы

 

Подсистема зрительного и тактильного восприятия

Подсистема синтеза речи

Планировщик

Эффректорная подсистема

База знаний

Пакеты прикладных программ

T yMnCyiz3BHSlburatgCG2vO4XUBuazx8e9SfNTn+DQAA//8DAFBLAwQUAAYACAAAACEAuC+ZvNwA AAAIAQAADwAAAGRycy9kb3ducmV2LnhtbEyPQU+EMBCF7yb+h2ZMvLmtCOwGKRvdqPEqGuPeZukI RNoS2mXx3zue9PjyTd58r9wudhAzTaH3TsP1SoEg13jTu1bD2+vj1QZEiOgMDt6Rhm8KsK3Oz0os jD+5F5rr2AoucaFADV2MYyFlaDqyGFZ+JMfs008WI8eplWbCE5fbQSZK5dJi7/hDhyPtOmq+6qPV kD1ZmT1jfjNvPvYPu1nZ+339rvXlxXJ3CyLSEv+O4Vef1aFip4M/OhPEoCFN17wlMkhAMF9nivNB Q54mIKtS/h9Q/QAAAP//AwBQSwECLQAUAAYACAAAACEAtoM4kv4AAADhAQAAEwAAAAAAAAAAAAAA AAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBLAQItABQABgAIAAAAIQA4/SH/1gAAAJQBAAALAAAA AAAAAAAAAAAAAC8BAABfcmVscy8ucmVsc1BLAQItABQABgAIAAAAIQC7zDtusQIAAG4FAAAOAAAA AAAAAAAAAAAAAC4CAABkcnMvZTJvRG9jLnhtbFBLAQItABQABgAIAAAAIQC4L5m83AAAAAgBAAAP AAAAAAAAAAAAAAAAAAsFAABkcnMvZG93bnJldi54bWxQSwUGAAAAAAQABADzAAAAFAYAAAAA " fillcolor="white [3201]" strokecolor="#f79646 [3209]" strokeweight="2pt">

Подсистема анализа речи

s 15RqNHOKF4GA93VtWwBDHXjcLiC/NR6+A+p+TQ7/AAAA//8DAFBLAwQUAAYACAAAACEAO/hQVN4A AAAKAQAADwAAAGRycy9kb3ducmV2LnhtbEyPTU/DMAyG70j8h8hI3Fiyj1ZbaTrBBIgrBU3bzWtC W9E4VZN15d9jTnC0/ej18+bbyXVitENoPWmYzxQIS5U3LdUaPt6f79YgQkQy2HmyGr5tgG1xfZVj ZvyF3uxYxlpwCIUMNTQx9pmUoWqswzDzvSW+ffrBYeRxqKUZ8MLhrpMLpVLpsCX+0GBvd42tvsqz 05C8OJm8Yroc14fj025U7vFY7rW+vZke7kFEO8U/GH71WR0Kdjr5M5kgOg2rZJUwqmG54U4MpJs5 L05MqoUCWeTyf4XiBwAA//8DAFBLAQItABQABgAIAAAAIQC2gziS/gAAAOEBAAATAAAAAAAAAAAA AAAAAAAAAABbQ29udGVudF9UeXBlc10ueG1sUEsBAi0AFAAGAAgAAAAhADj9If/WAAAAlAEAAAsA AAAAAAAAAAAAAAAALwEAAF9yZWxzLy5yZWxzUEsBAi0AFAAGAAgAAAAhAC0mRiWxAgAAbgUAAA4A AAAAAAAAAAAAAAAALgIAAGRycy9lMm9Eb2MueG1sUEsBAi0AFAAGAAgAAAAhADv4UFTeAAAACgEA AA8AAAAAAAAAAAAAAAAACwUAAGRycy9kb3ducmV2LnhtbFBLBQYAAAAABAAEAPMAAAAWBgAAAAA= " fillcolor="white [3201]" strokecolor="#f79646 [3209]" strokeweight="2pt">

Диалог процессор

 

 

- Диалоговый процессор позволяет общаться с системой на естественном языке.

- Планировщик - специальная управляющая программа. Используется для управления взаимодействием подсистем.

- База знаний содержит информацию о математических моделях для заданной предметной области.

- Эффекторные подсистемы — подсистемы, управляющие движением робота.

 

Интеллектуальные задачи.

Интеллектуальные задачи

Новые технологии решения задач

Интеллектуализация ЭВМ

P ONboOqSQ47mVWe4J6Erd1LVtAQy151G7gNzWePj2Wn/W5Og3AAAA//8DAFBLAwQUAAYACAAAACEA rEqHG98AAAAKAQAADwAAAGRycy9kb3ducmV2LnhtbEyPwU6DQBCG7ya+w2ZMvLW7FIuILI02anoV jbG3KYxAZGcJu6X49m5PepvJfPnn+/PNbHox0eg6yxqipQJBXNm640bD+9vzIgXhPHKNvWXS8EMO NsXlRY5ZbU/8SlPpGxFC2GWoofV+yKR0VUsG3dIOxOH2ZUeDPqxjI+sRTyHc9HKlVCINdhw+tDjQ tqXquzwaDesXI9c7TOIp/dw/bSdlHvflh9bXV/PDPQhPs/+D4awf1KEITgd75NqJXsPiNooCquEm jUGcgZW6A3EIQxKnIItc/q9Q/AIAAP//AwBQSwECLQAUAAYACAAAACEAtoM4kv4AAADhAQAAEwAA AAAAAAAAAAAAAAAAAAAAW0NvbnRlbnRfVHlwZXNdLnhtbFBLAQItABQABgAIAAAAIQA4/SH/1gAA AJQBAAALAAAAAAAAAAAAAAAAAC8BAABfcmVscy8ucmVsc1BLAQItABQABgAIAAAAIQAVdDjMtwIA AG4FAAAOAAAAAAAAAAAAAAAAAC4CAABkcnMvZTJvRG9jLnhtbFBLAQItABQABgAIAAAAIQCsSocb 3wAAAAoBAAAPAAAAAAAAAAAAAAAAABEFAABkcnMvZG93bnJldi54bWxQSwUGAAAAAAQABADzAAAA HQYAAAAA " fillcolor="white [3201]" strokecolor="#f79646 [3209]" strokeweight="2pt">

Имитация творческих процессов

Роботы

 

 

Имитация творческих процессов:

1) Игровые задачи.

2) Стихосложение, музыка.

3) Доказательство теорем.

Интеллектуализация, новые технологии решения задач и роботы:

1) Обучение на естественном языке.

2) Распознавание образов.

3) Автоматизация программирования.

4) Представление знаний.

5) Принятие решений в модели представления знаний.