Слайд 2
Идея создания искусственного подобия человеческого разума для решения
сложных задач и моделирования мыслительной способности витала в воздухе
с древнейших времен. Впервые ее выразил Р. Луллий (ок. 1235 - ок. 1315), который еще в XIV в. пытался создать машину для решения различных задач на основе всеобщей классификации понятий.
В XVIII в. Г. Лейбниц (1646 - 1716) и Р. Декарт (1596 - 1650) независимо друг от друга развили эту идею, предложив универсальные языки классификации всех наук.
Слайд 3
Термин искусственный интеллект (artificial intelligence) был предложен в
1956 г. на семинаре с аналогичным названием в Станфордском
университете (США). Семинар был посвящен разработке логических, а не вычислительных задач. После признания искусственного интеллекта самостоятельной отраслью науки произошло разделение на два основных направления: нейрокибернетику и кибернетику «черного ящика».
Слайд 4
Идею нейрокибернетики можно сформулировать следующим образом. Единственный объект,
способный мыслить, - это человеческий мозг. Поэтому любое "мыслящее"
устройство должно каким-то образом воспроизводить его структуру.
Слайд 5
Таким образом, нейрокибернетика ориентирована на аппаратное моделирование структур,
подобных структуре мозга. Физиологами давно установлено, что основой человеческого
мозга является большое количество (до 1021) связанных между собой и взаимодействующих нервных клеток - нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и их объединении в функционирующие системы. Эти системы принято называть нейронными сетями, или нейросетями.
Слайд 6
В настоящее время используются три подхода к созданию
нейросетей:
аппаратный - создание специальных компьютеров, плат расширения, наборов микросхем,
реализующих все необходимые алгоритмы;
программный - создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры;
Слайд 7
гибридный - комбинация первых двух. Часть вычислений выполняют
специальные платы расширения (сопроцессоры), часть - программные средства.
В
основу кибернетики ,"черного ящика" лег принцип, противоположный нейрокибернетике. Не имеет значения, как устроено "мыслящее" устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг.
Слайд 8
Начало 60-х гг. - эпоха эвристического программирования. Эвристика
- правило, теоретически не обоснованное, но позволяющее сократить количество
переборов в пространстве поиска. Эвристическое программирование - разработка стратегии действий на основе известных, заранее заданных эвристик.
Слайд 9
В 1965-1980 гг. получает развитие новая наука -
ситуационное управление (соответствует представлению знаний в западной терминологии). Основоположник
этой научной школы - профессор Д. А. Поспелов. Разработаны специальные модели представления ситуаций - представления знаний.
В 1980 - 1990 гг. проводятся активные исследования в области представления знаний, разрабатываются языки представления знаний, экспертные системы (более 300). В Московском государственном университете создается язык РЕФАЛ.
Слайд 10
Искусственный интеллект - это одно из направлений информатики,
цель которого разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и
решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.
Слайд 11
Системы, основанные на знаниях
Это основное направление искусственного интеллекта.
Оно связано с разработкой моделей представления знаний, созданием баз
знаний, образующих ядро экспертных систем (ЭС). В последнее время включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.
Слайд 12
Машинный перевод
Основные методы анализа:
морфологический анализ - анализ слов
в тексте;
синтаксический анализ - анализ предложений, грамматики и связей
между словами;
семантический анализ - анализ смысла каждого предложения на основе некоторой предметно-ориентированной базы знаний;
прагматический анализ - анализ смысла предложений в окружающем контексте на основе собственной базы
Слайд 13
Искусственный интеллект - это область исследований, в рамках
которых разрабатываются модели и методы решения задач, традиционно считавшихся
интеллектуальными и не поддающимися формализации и автоматизации.
Слайд 14
Искусственный интеллект - это область исследований, в которой
изучаются системы, строящие результирующий вывод для задач с неизвестным
алгоритмом решения на основе неформализованной исходной информации, использующие технологии символьного программирования и средства вычислительной техники со специальной (не фон Неймановской) архитектурой.
Слайд 15
Классификация интеллектуальных ИС.
Под «знанием» в системах искусственного интеллекта
понимается информация о предметной области, представленная определенным образом и
используемая в процессе логического вывода.
Слайд 16
Типичные модели представления знаний:
логические модели, модели, основанные
на использовании правил (продукционные модели);
семантические сети,
фреймовые модели.
Слайд 17
Логические модели
Основная идея подхода при построении логических моделей
представления знаний состоит в том, что вся информация, необходимая
для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике.
Слайд 18
Логические модели
В основе логических моделей представления знаний лежит
понятие формальной теории, задаваемое четверкой: ,
где В
- счетное множестно базовых символов (алфавит), F- множество, называемое формулами, А - выделенное подмножество априори истинных формул (аксиом), R - конечное множество отношений между формулами, называемое правилами вывода.
Слайд 19
Достоинства логических моделей
В качестве «фундамента» здесь используется
классический аппарат математической логики, методы которой достаточно хорошо изучены
и формально обоснованы.
Существуют достаточно эффективные процедуры вывода, в том числе реализованные в языке логического программирования Пролог.
Слайд 20
Продукционные модели.
Психологические исследования процессов принятия решений человеком показали,
что рассуждая и принимая решения, человек использует правила продукций,
или продукционные правила (от англ. Production - правило вывода, порождающее правило).
Слайд 21
Суть использования правил продукции для представления знаний состоит
в том, что левой части ставится в соответствие некоторое
условие, а правой части - действие: ЕСЛИ <перечень условия>, ТО <перечень действий>. В такой интерпретации левая часть правил оценивается по отношению к базе данных (известному набору фактов) системы, и если эта оценка в определенном смысле соответствует логическому значению «ИСТИНА», то выполняется действие, заданное в правой части продукции.
Слайд 22
При использовании продукционной модели база знаний состоит из
набора правил. Программа, управляющая перебором правил, называется машиной вывода.
Механизм выводов связывает знания воедино, а затем выводит из последовательности знаний заключение.
Слайд 23
В продукционных системах, основанных на знаниях, процесс обработки
информации может осуществляться двумя способами. Первый предполагает обработку информации
в прямом направлении (метод сопоставления), когда образцом для поиска служит левая часть продукционного правила - условие, то есть задача решается в направлении от исходного состояния к целевому. Это соответствует стратегии «от данных к цели» или стратегии управления данными. После разрешения возникающих конфликтов выполняются правые части продукционных правил, что соответствует логическому выводу новых утверждений.
Слайд 24
После добавления выведенных утверждений в базу данных процедура
повторяется. Процесс оканчивается, если выполняется продукционное правило, предписывающее прекращение
поиска, или в базу данных поступает утверждение, являющееся решением.
Слайд 25
Продукционные правила могут применяться к описанию состояния и
описывать новые состояния (гипотезы) или же, напротив, использовать целевое
состояние задачи как базу, когда система работает в обратном направлении. При этом продукционные правила применяются к целевому описанию для порождения подцелей (образуют систему редукций).
Слайд 26
Свойства продукционных моделей
Модульность - отдельные продукционные правила могут
быть
добавлены, удалены или изменены в базу знаний независимо от
других;
кроме того, модульный принцип разработки (сборки) продукционных систем позволяет автоматизировать их проектирование.
Слайд 27
Каждое продукционное правило - самостоятельный элемент знаний (локальный
источник знаний); отдельные продукционные правила связаны между собой только
через поток данных, которые они обрабатывают.
Слайд 28
Простота интерпретации - «прозрачная» структура продукционных правил облегчает
их смысловую интерпретацию.
Естественность - знания в виде «что делать
и когда» являются
естественными с точки зрения здравого смысла.
Слайд 29
Семантические сети
Способ представления знаний с помощью сетевых моделей
наиболее близок к тому, как они представлены в текстах
на естественном языке. В его основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек (arb), где arb - объекты или понятия, а г - бинарное отношение между ними. Формально сетевые модели представления знаний могут быть заданы в виде
Слайд 30
Типы сетей
Классифицирующие сети - в них используются отношения
структуризации,
они позволяют вводить в базы знаний различные
иерархические отношения между
элементами множества .
Слайд 31
Функциональные сети - вычислительные модели, характеризующиеся наличием функциональных
отношений, они позволяют описывать процедуры вычислений одних информационных единиц
через другие.
Слайд 32
Сценарии - в них используются каузальные отношения (причинно-
следственные
или устанавливающие влияние одних явлений или фактов на
другие), а
также отношения типов «средство - результат», «орудие -
действие» и т. д.
Если в сетевой модели допускаются связи различного типа, то ее называют семантической сетью.
Слайд 33
Достоинства сетевых моделей: большие выразительные возможности; наглядность системы
знаний, представленной графически; близость структуры сети, представляющей систему знаний,
семантической структуре фраз на естественном языке; соответствие современным представлениям об организации долговременной памяти человека.
Слайд 34
Фреймовые модели
Под фреймом понимается абстрактный образ или ситуация.
В психологии и философии известно понятие абстрактного образа. Например,
слово «комната» вызывает образ комнаты - «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью». Из этого описания ничего нельзя убрать, например, убрав окна, мы получим уже кладовку, а не комнату.
Слайд 35
Под фреймом понимается абстрактный образ или ситуация. В
психологии и философии известно понятие абстрактного образа. Например, слово
«комната» вызывает образ комнаты - «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью». Из этого описания ничего нельзя убрать, например, убрав окна, мы получим уже чулан, а не комнату.
Слайд 36
Значением слота может быть практически что угодно (числа
или математические соотношения, тексты на естественном языке или программы,
правила вывода или ссылки на другие слоты данного фрейма). В качестве значения слота может выступать набор слотов более низкого уровня, что позволяет во фреймовых представлениях реализовать «принцип матрешки».
Слайд 37
Достоинства модели фреймов:
способность отражать концептуальную основу организации
памяти человека, а также естественность, наглядность представления, модульность, поддержка
возможности использования значений слотов по умолчанию. Теория фреймов послужила толчком к разработке нескольких языков представления знаний, которые благодаря своим широким возможностям и гибкости стали в последние годы довольно распространенными языками. Концепция объектно-ориентированного программирования может рассматриваться как реальное воплощение понятий, близких фрейму, в традиционных языках программирования.
