Преподаватель который помогает студентам и школьникам в учёбе.

Реферат на тему: Искусственный интеллект и структура знания

Содержание:

Введение

Активно развивающейся областью использования ЭВМ является создание баз знаний и их применение в различных областях науки и техники. База знаний это семантическая модель, предназначенная для представления в компьютере знаний, накопленных человеком в определенной предметной области.

Основные функции базы знаний:

создание, загрузка;
обновление, поддержание в надежном состоянии;
расширяйте и инкорпорируйте новые знания;
обработка и формирование знаний, имеющих отношение к текущей ситуации.

Для выполнения этих функций разрабатываются соответствующие программные средства. Сочетание этих программных средств и баз знаний обычно называют искусственным интеллектом.

Искусственный интеллект в настоящее время применяется в таких областях, как планирование и оперативное управление производством, разработка оптимальной стратегии поведения в соответствии с текущей ситуацией, экспертные системы и др.

Искусственный интеллект - это одна из областей информатики, целью которой является разработка аппаратных и программных средств, позволяющих пользователю, не являющемуся программистом, ставить и решать задачи, выполнять задачи, традиционно считающиеся интеллектуальными, общаясь с компьютером на ограниченном подмножестве естественного языка.

Искусственный интеллект - самая молодая научная область. Его появление было подготовлено развитием мощи компьютеров.

Искусственный интеллект занимает исключительное положение. Это связано со следующим: теперь можно передать некоторые функции программирования в машину. В то же время, связь с машиной принимает место в языке, близком к разговорному. Для этого компьютер предоставляет огромную базу знаний, решения, процедуры синтеза, программы и средства коммуникации, которые позволяют пользователю легко общаться с компьютером.

Должный переход к безбумажной технологии обработки информации становится возможным во всех сферах жизнедеятельности человека.

Если раньше производство было ориентировано на обязательное участие человека, то сейчас используются ненаселенные технологии, основанные на роботизации и автоматизации системы управления.

Интеллектуальные системы в настоящее время начинают занимать лидирующие позиции в проектировании образцов продукции. Некоторые продукты не могут быть разработаны без их участия.

В настоящее время системы искусственного интеллекта включают в себя следующие системы:

Экспертные системы. Первые системы, которые широко используются. Их элементы используются в системах проектирования, диагностики, управления и играх. Они основаны на вводе знаний высококвалифицированных специалистов (специалистов) в области вычислительной техники и разработке специальной системы для их использования.
Система естественно-языкового общения (имеется в виду письменная речь). Эти системы позволяют обрабатывать связанные тексты на любую тему на естественном языке.

Системы речевой коммуникации. Они состоят из двух частей:

системы восприятия речи
системы воспроизведения речи.

Системы обработки визуальной информации. Они используются при обработке аэрокосмических изображений, данных, поступающих с датчиков, роботов и автоматизированных систем.

Системы машинного перевода. Она подразумевает естественные языки человеческого общения.

Система автоматического проектирования. Ни одно крупное машиностроительное предприятие не может обойтись без этих систем.

История развития искусственного интеллекта

Идея создания искусственного подобия человеческого разума для решения сложных задач и имитации мыслительных способностей витает в воздухе с древних времен. Впервые это высказал Р. Луллий (1235-1315 гг.), который в XIV веке попытался создать машину для решения различных задач на основе универсальной классификации понятий.

В XVIII веке Г. Лейбниц (1646-1716) и Р. Декарт (1596-1650) независимо друг от друга развили эту идею , предложив универсальные классификационные языки для всех наук. Эти идеи легли в основу теоретических разработок в области создания искусственного интеллекта.

Развитие искусственного интеллекта как научной области стало возможным только после создания компьютеров. Это произошло в 1940-х годах. В то же время Н. Винер (1894 - 1964) создал свои фундаментальные труды по новой науке-кибернетике.

Термин искусственный интеллект искусственный интеллект был предложен в 1956 году на семинаре с таким же названием В русском языке Академия Наук СССР. Стэнфордский университет (США). Семинар был посвящен разработке логических, а не вычислительных задач. Вскоре после признания искусственного интеллекта самостоятельной отраслью науки произошло разделение на две основные области: Нейрокибернетику и кибернетику черного ящика. Только теперь стала заметна тенденция к объединению этих частей в единое целое.

Основная идея нейрокибернетики может быть сформулирована следующим образом: единственный объект, способный мыслить, - это человеческий мозг. Поэтому любое "мыслящее" устройство должно каким-то образом воспроизводить свою структуру.

Кибернетика черного ящика основана на противоположном принципе нейрокибернетики. Это не имеет значения, как "мышление" устройство работает. Главное, что он реагирует на данные входные воздействия так же, как и человеческий мозг.

Это направление искусственного интеллекта было ориентировано на поиск алгоритмов решения интеллектуальных задач на существующих компьютерных моделях. В 1956-1963 годах были проведены интенсивные поиски моделей и алгоритмов человеческого мышления и разработаны первые программы.

В конце 50-х годов родилась модель поиска лабиринта. Этот подход представляет задачу в виде графа, отражающего пространство состояний, и в этом графе мы ищем оптимальный путь от входных данных к результирующим данным.

Начало 60- х годов-эпоха эвристического программирования. Эвристическое Программирование - разработка стратегии действий на основе известных, заранее заданных эвристик (правило, которое теоретически не обосновано, но позволяет сократить число итераций в пространстве поиска).

В 1963-1970 годах для решения задач использовались методы математической логики . На основе метода разрешения, позволившего автоматически доказывать теоремы при наличии набора исходных аксиом, в 1973 году был создан язык прологов.

Среди наиболее значимых результатов, полученных российскими учеными, следует отметить алгоритм "Кортекс" М. Бонгарда, который имитирует деятельность человеческого мозга при распознавании образов (60-е годы).

Значительный прорыв в практическом применении искусственного интеллекта произошел в середине 70-х годов, когда поиск универсального алгоритма мышления был заменен идеей моделирования конкретных знаний экспертов-экспертов. В Соединенных Штатах появились первые коммерческие системы , основанные на знаниях, или экспертные системы . Появился новый подход к решению проблем искусственного интеллекта-представление знаний.

С середины 80-х годов искусственный интеллект был коммерциализирован. Ежегодно растут капитальные вложения, создаются промышленные экспертные системы. Растет интерес к системам самообучения.

Экспертная система

Экспертные системы составляют наиболее существенную часть систем искусственного интеллекта . Экспертная система обычно определяется как программа -компьютер, имитирующая действия человека-эксперта при решении задач в узкой предметной области: составлении базы знаний и ее накоплении. Создание систем баз данных - это попытка определить представление логических связей между данными. Обработка знаний эксперта строится на основе огромных резервов информации, представленной в самых разнообразных формах. Однако некоторые сведения могут быть неполными.

Типы экспертных систем

По своему функциональному назначению экспертные системы можно разделить на следующие типы.

Мощные экспертные системы рассчитаны на узкий круг пользователей (системы управления сложным технологическим оборудованием, экспертные системы ПВО). Такие системы обычно работают в режиме реального времени и стоят очень дорого.

Экспертные системы рассчитаны на широкий круг пользователей. К ним относятся медицинские диагностические системы и комплексные обучающие системы. База знаний этих систем стоит недешево, так как содержит уникальные знания, полученные от экспертов-экспертов.

Экспертные системы с небольшим количеством правил и относительно недорогие. Эти системы предназначены для массового потребителя (системы, облегчающие Устранение неполадок в оборудовании). Использование таких систем позволяет обойтись без высококвалифицированного персонала, сократить время устранения неполадок. Базу знаний такой системы можно добавлять и изменять, не прибегая к помощи разработчиков системы. Они обычно используют знания из различных справочников и технической документации.

Простые экспертные системы для индивидуального использования. Они часто делаются самостоятельно. Они используются в ситуациях, облегчающих повседневную работу. Организовав правила в определенную базу знаний, пользователь создает на ее основе собственную экспертную систему. Такие системы применяются в юриспруденции, коммерческой деятельности, ремонте несложного оборудования.

Назначение и особенности систем экспертного обслуживания

Знания специалистов в той или иной области можно разделить на формализованные (точные) и неформализованные (неточные).

Неформальные знания - это результат обобщения многолетнего профессионального опыта и интуиции. Это, как правило, разнообразные эвристические приемы и правила, которые не отражены в книгах.

Традиционно в программировании в качестве основы для разработки программ используется алгоритм, т. е. формализованные знания . Экспертные системы обладают следующими особенностями:

Алгоритм решения заранее неизвестен. Он строится самой экспертной системой в процессе решения.

Ясность полученных решений, то есть способность экспертной системы объяснить полученное решение.

Способность экспертной системы анализировать и объяснять свои действия.

Возможность получения новых знаний от пользователя-специалиста, не знающего программирования.

Обеспечение дружественного естественного языка при общении с пользователем, благодаря которому экспертная система позволяет не только решать поставленные задачи, но и обучать вас решению соответствующих задач.

Знания и их представление

При изучении интеллектуальных систем традиционно возникает вопрос-Что такое знание и чем оно отличается от обычных данных, обрабатываемых компьютерами десятилетиями?

Данные- это отдельные факты, характеризующие объекты, процессы, явления в предметной области, а также их свойства.

При обработке на ЭВМ данные преобразуются, условно проходя следующие этапы:

данные , полученные в результате измерений и наблюдений;
данные на физических носителях (таблицы, протоколы, справочники);
модели данных (структуры) в виде диаграмм, графиков и функций;
данные в компьютере на языке описания данных;
базы данных на собственных носителях.

Знание связано с данными, основанными на них, но представляет собой результат мыслительной деятельности человека , обобщает его опыт, полученный в ходе выполнения какой-либо практической деятельности. Они получены эмпирически.

Знания- это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в данной области.

При обработке на компьютере знания преобразуются так же , как и данные:

знание в памяти человека как результат мышления;
материальные носители знаний (учебники, учебные пособия );
область знаний -- условное описание основных объектов предметной области, их атрибутов и закономерностей, связывающих их;
знания , описанные на языках представления знаний (продуктовые языки, семантические сети, фреймы );
базы знаний.

Если рассматривать знание с точки зрения решения задач, то его удобно разделить на две широкие категории: факты и эвристика.

Доказательства- это хорошо известные обстоятельства для данной предметной области, освещенные в учебниках и литературе.

Эвристика основана на опыте специалиста. Это включает в себя способы приобретения знаний, способы удаления бесполезных знаний и способы использования нечеткой информации.

Знание также может быть разбито на факты и правила. В этом случае факты определяются как значения типа: "А это" а " - определение". Они хранятся в базах данных. Правила определяются как знания следующих типов: "если... то ... ” помимо них существуют так называемые мета-имена (знания о знании). Эта концепция необходима для управления базой знаний, вывода и обучения. Знание обычно имеет классификацию, характерную не только для фактов, но и для правил. Обобщая знания, используемые в науке, их можно представить в следующем виде последовательность:

Процедурные вопросы (закрытые).
Конечная машина.
Программа.
Скрипт (script).
Семантическая сеть.
Рамка (прототип).
Графики.
Формальная спецификация.
Исчисление предикатов.
Теоремы и правила написания.
Производственные системы.
Предложения на естественном языке.
Декларативные (открытые).

Сценарий-описание стереотипного сценария с участием определенных объектов. Он обладает большими возможностями для описания динамических аспектов знания.

Семантическая сеть-это граф, объединяющий программы, скрипты и связи между ними. Он имеет много общего с реляционными базами данных.

Инструменты построения экспертных систем обслуживания

В настоящее время существует множество инструментов для построения экспертных систем. Они разные:

Способ представления знаний.
Механизмы получения решений.
Интерфейсы для общения с пользователями.
Размер разрабатываемых баз знаний.
Используемое оборудование и его стоимость.

Из инструментов, которые используются в настоящее время, можно создать классификацию. Символьные языки ориентированы на создание экспертных систем и систем искусственного интеллекта (LISP, SMALLTALK). Он содержит минимальные специальные инструменты для создания экспертных систем. Вы можете использовать их для выполнения обычного программирования.

Языки инженерных знаний (языки высокого уровня, ориентированные на построение экспертных систем: PROLOG, OPS-5). Эти языки включают в себя, помимо методов представления знаний, встроенный механизм поиска и вывода. Требуется участие инженера по знаниям и программиста.

Система автоматической разработки экспертных систем, ориентированных на знание: ART, TIMM. Он содержит несколько разнородных инструментов представления знаний, богатый набор пользовательских интерфейсов и встроенный механизм вывода.

Оболочки экспертных систем: ЭМИЦИН, эксперт. Они составляют 50-60% всех экспертных систем. Усилия, необходимые для создания конкретных систем на их основе, минимальны, поскольку они представляют собой пустую экспертную систему. Необходимо, чтобы область знаний подходила для этой оболочки.

Структура идеальная экспертная панель система

База знаний включает в себя правила и общие факты.

Механизм вывода включает в себя рабочую память и механизм вывода.

Рабочая память (база данных) используется для хранения промежуточных результатов.

Экспертная система работает в двух режимах:

Способ получения знаний (определение, модификация, дополнение).
Режим решения проблем. Экспертные системы используются пользователем. В этом режиме данные о задаче обрабатываются пользовательским интерфейсом и передаются в блоки экспертной системы после соответствующего кодирования.

Результаты обработки полученных данных передаются в модуль подсказок и пояснений, а после перекодирования их на язык, близкий к естественному, выдаются в виде подсказок, пояснений и комментариев. Если ответ не ясен пользователю, он может потребовать от экспертной системы объяснить, как он его получил.

В разработке экспертной системы принимают участие представители следующих специальностей:

эксперт Советник-специалист в определенной предметной области,
инженер знаний-специалист по разработке экспертных систем,
программист- специалист по разработке инструментария для создания экспертной системы.

Эксперт определяет соответствующий спектр знаний, обеспечивает их полноту и правильность внедрения в экспертную систему.

Вместе с экспертом инженер по знаниям определяет структуру знаний, выбор инструментов и программ стандартных функций, которые будут использоваться в правилах экспертной системы.

Программист разрабатывает инструменты, содержащие все компоненты создания экспертных систем. Интерфейсы экспертных систем с пользователем. Эксперты участвуют в использовании экспертных систем:

конечный пользователь может использовать только экспертные системы.
клерк может добавлять или изменять базу знаний экспертной системы.

Описание методов база знаний

При разработке экспертных систем наиболее широко используются следующие методы описания знаний:

логические модели,
сетевые модели,
модели продуктов,
каркасные модели.

В зависимости от типа коммуникации семантические сети подразделяются на:

классификация компаний,
функциональные особенности,
сценарии.

Классификационные сети вводят различные иерархические отношения между информационными единицами. Такие отношения используются в биологии. Функциональные сети описывают процедуры вывода одних информационных единиц через другие. Сценарии используют случайные отношения, то есть средство, тип результата, орудие - действие.

Модели продуктов. Этот тип модели является промежуточным между логической и сетевой моделями. Идея правил вывода, которая называется продуктами, заимствована из логических моделей, а описание знаний в виде семантической сети заимствовано из сетевых моделей. Этот тип представления знаний в настоящее время наиболее широко используется. При работе с производственными моделями, в результате применения правил вывода , семантическая сеть преобразуется путем изменения фрагментов и исключения добавления элементов.

Каркасные модели. В фреймовых моделях жестко фиксируется структура представления информации, называемая протокадром. Протопам - структурная единица информации, из которой генерируются другие виды информации.

Производственные модели

Производственная модель, или модель, основанная на правилах, позволяет представлять знания в форме предложений типа: если (условие), то (действие).

Условие определяется как образец предложения, который используется для поиска в базе знаний, а действие определяется как -- действия , выполняемые при успешном выполнении результатов поиска (они могут быть промежуточными, выступающими далее в качестве условий, и терминальными или целевыми, завершающими работу системы).

При использовании модели продукта база знаний состоит из набора правил. Программа, управляющая итерацией правил , называется машиной вывода. Чаще всего вывод будет прямым (от данных к поиску цели) или обратным (от цели к подтверждению-к данным). Данные - это исходные факты, на основе которых запускается машина вывода- программа, которая извлекает правила из базы данных.

Производственная модель чаще всего используется в промышленных экспертных системах. Он привлекает разработчиков своей наглядностью, высокой модульностью, простотой внесения дополнений и изменений, а также простотой механизма вывода.

Все продукты объединены в единую систему. Система продуктов должна иметь специальные процедуры управления продуктами, которые используются для выбора продуктов и обновления существующих продуктов.

Управление производственной системой

Обычно условия применимости выполняются сразу для нескольких продуктов . В этом случае возникают проблемы при выборе конкретного товара для продажи. Существует два возможных способа решения этой проблемы: централизованный и децентрализованный.

При централизованном методе решение об обновлении принимается специальной системой управления. В случае децентрализованного приложения- определите текущую ситуацию. Давайте рассмотрим несколько стратегий управления выбором продукта:

Принцип "стопки книг". Основная идея заключается в том, что наиболее часто используемые продукты являются наиболее полезными. Готовая продукция образует "стопку", в которой порядок определяется наибольшей частотой ее использования в прошлом. Этот принцип управления полезен для оценки производительности. Желательно использовать его, если продукты относительно неуязвимы друг от друга.
Принцип самого длинного условия. Принцип состоит в том, чтобы выбрать выход, который имеет самое длинное условие выполнения ядра. Он опирается на соображения здравого смысла. Конкретные правила, относящиеся к узкому классу ситуаций, являются более важными, чем Общие правила. Целесообразно применять этот принцип в тех случаях , когда знания и знания хорошо структурированы и установлены отношения "частное - общее".

Принцип метапроизводства. В его основе лежит идея внедрения продуктового менеджмента в продуктовую систему, задачей которой является организация отбора продуктов с фронта, готовых к обновлению.

Принцип "классной доски". При реализации этого принципа в экспериментальной системе выделяется специальное рабочее поле -аналог классной доски. На этой доске процессы, которые находят информацию, которая запускает их, выполняются параллельно, а также они вводят результаты своей работы, которые могут быть полезны для других процессов. Часто нет четкого выбора продуктов, поэтому принцип "классной доски" может быть объединен с другими методами, такими как принцип метапроизводства.

Принцип приоритетного выбора. Это связано с введением статистических и динамических продуктовых приоритетов. Статистические приоритеты формируются заранее, а динамические-в процессе работы.

Метод логического выбора. С помощью этого метода существует два типа управления системой продуктов: прямое и обратное. В прямом случае поиск происходит по левым частям изделия, то есть проверка условий а и обновление их с последующим выделением (по возрастанию типа). Во втором случае поиск осуществляется по выводу продукта (тип сверху вниз).

Управление по имени. В этом случае изделиям придаются специализации, которые сужают фронт готового изделия.

Преимущества и недостатки продукционной системы

Популярность продуктовых моделей определяется следующими факторами:

Подавляющее большинство человеческих знаний может быть представлено в виде продуктов.
Продуктовые системы являются модульными. Удаление или добавление продуктов изменяет остальные продукты.
При необходимости продуктовые системы могут реализовывать сложные алгоритмы.

Наличие индикации области применения в изделиях позволяет эффективно реализовывать память, сокращая время поиска необходимой информации.

Объединение продуктовых систем с сетевыми представлениями позволяет создавать мощные экспериментальные системы.

Параллельная и асинхронная работа продуктовой системы делает их наиболее подходящими для компьютеров новой архитектуры (наличие нескольких процессоров).

Модели продуктов имеют два недостатка: при наличии большого количества продуктов (> 1000) проверка согласованности становится более сложной; и неоднозначность в выборе готовых продуктов с фронта.

Семантические особенности сетей

Термин семантика означает семантику, а сама семантика-это наука, устанавливающая отношения между символами и объектами, которые они представляют, то есть наука, определяющая значение знаков.

Семантическая сеть-это ориентированный граф, вершины которого представляют понятия, а дуги-отношения между ними.

Понятия обычно являются абстрактными или конкретными объектами, а отношения обычно определяются как - это ссылки типа: "это" ("есть"), " имеет часть "("имеет часть"), "принадлежит", "нравится".

Характерной особенностью семантических сетей является обязательное наличие трех типов связей:

класс - элемент класса;
свойство -- значение;
пример элемента класса.

Можно ввести несколько классификаций семантических сетей. Например, по количеству типов отношений:

однородный (с одним типом отношений);
гетерогенные (с различными типами отношений).

Задача поиска решения в базе знаний, такой как семантическая сеть, сводится к задаче поиска фрагмента сети , соответствующего определенной подсети, соответствующей поставленному вопросу.

Главным преимуществом этой модели является-в соответствии с современными представлениями об организации долговременной памяти человека. Недостатком модели является сложность поиска выходных данных в семантической сети.

Для реализации семантических сетей существуют специальные сетевые языки, например NET и другие . широко известны экспертные системы, использующие в качестве своих основных функций семантические сети.

Заключение

Основное направление искусственного интеллекта-это представление знаний и разработка систем, основанных на знаниях. Она связана с разработкой моделей представления знаний, созданием баз знаний, составляющих ядро экспертных систем (ЭС). в последнее время включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.

Наиболее значительную часть систем искусственного интеллекта составляют экспертные системы. Экспертная система обычно определяется как программа-компьютер, имитирующая действия человека-эксперта при решении задач в узкой предметной области: составлении базы знаний и ее накоплении.

Производственная модель позволяет представлять знания в виде предложений типа: если (условие), то (действие). Эта модель чаще всего используется в промышленных экспертных системах. Он привлекает разработчиков своей наглядностью, высокой модульностью , простотой внесения дополнений и изменений, а также простотой механизма вывода.

Семантическая сеть-это ориентированный граф, вершины которого представляют понятия, а дуги-отношения между ними. Характерной особенностью семантических сетей является обязательное наличие трех типов связей:

класс - элемент класса;
свойство - значение;
пример элемента класса.

Фрейм- это структура знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокий психологический смысл. Основа. Фрейм-это абстрактный образ или ситуация. Рамка также является формализованной моделью для отображения изображения.

Инструменты, используемые для построения экспертных систем:

традиционные языки программирования. Объектно-ориентированные языки (C++, Это связано с тем , что парадигма объектно-ориентированного программирования тесно связана с фреймовой моделью представления знаний , кроме того, традиционные языки используются для создания других классов средств искусственного интеллекта.
языки искусственного интеллекта. Шепелявость, Пролог. Универсальность этих языков меньше, чем у традиционных языков, но это компенсируется богатыми возможностями работы с символьными и логическими данными, что чрезвычайно важно для задач искусственного интеллекта. Специализированные компьютеры создаются на основе языков искусственного интеллекта (например, Лисп -машин).
"оболочки" - "пустые" версии существующих экспертных систем, т. е. готовые экспертные системы без базы знаний. Они, как правило, не требуют от программистов создания готовой экспертной системы. Для заполнения базы знаний требуются только специалисты по предметной области. Однако если определенная предметная область плохо вписывается в модель, используемую в определенной оболочке, заполнить базу знаний в этом случае очень сложно.

Сверхзадача искусственного интеллекта состоит в том, чтобы построить компьютерную интеллектуальную систему, которая имела бы уровень эффективности в решении неформализованных проблем, сравнимый или превосходящий человеческий.

Список литературы

Д. Ф. Люггер. "Искусственный интеллект: стратегии и методы решения сложных задач", Williams, 2006
Девятков В. В. "Системы искусственного интеллекта". 2012.
Н. Нильсон. "Принципы искусственного интеллекта", - "Радио и связь", 1981
С. Рассел, П. Норвиг. - Искусственный интеллект. Современный подход", - 2002
Н. Нильсон. - Искусственный интеллект. Методы поиска решений", - "радио и связь", 1976 г.
А. Андрей. "Искусственный интеллект", М.: Мир , 1988.
Квас Р. " искусственный интеллект», 2003.
Материалы третьего Международного симпозиума "интеллектуальные системы" - Псков: 1992.