Ответы на системы искуственного интелекта. 1 Искусственный интеллект и его задачи

• Название: 1 Искусственный интеллект и его задачи
• Дата: 04.07.2019
• Размер: 61 Kb.
• Имя файла: Ответы на системы искуственного интелекта.doc
• Тип: Документы; #83638

1) Искусственный интеллект и его задачи.

Искусственный интеллект — наука и технология создания интеллектуальных машин (особенно интеллектуальных компьютерных программ). Искусственный интеллект связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами. Цель искусственного интеллекта — создание технических систем, способных решать задачи невычислительного характера и выполнять действия, требующие переработки содержательной информации и считающиеся прерогативой человеческого мозга. К числу таких задач относятся, например, задачи на доказательство теорем, игровые задачи (например, при игре в шахматы), задачи по переводу с одного языка на другой, по сочинению музыки, распознаванию зрительных образов, решению сложных творческих проблем науки и общественной практики. Одна из важных задач искусственного интеллекта — создание интеллектуальных роботов, способных автономно совершать операции по достижению целей, поставленных человеком, и вносить коррективы в свои действия.

2) Архитектура систем искусственного интеллекта.

Говоря об архитектуре систем искусственного интеллекта, прежде всего понимают организацию структуры, в рамках которой происходило бы применение знаний и решение проблем в конкретной предметной области. Выбор соответствующей структуры, свойства и функции компонентов систем искусственного интеллекта, в особенности производственных, определяется и направляется формулируемыми принципами инженерии знаний. На формирование этих принципов в значительной степени оказывают влияние как специфика предметной области, так и характер задач и функций, решение которых возлагается на интеллектуальные системы. Блок логического вывода и формирования управляющей информации обеспечивает нахождение решений для нечетко формализованных задач информационных систем, осуществляет планирование действий и формирование управляющей информации для пользователя или объекта управления на основе базы знаний (совокупности знаний, например, системы продукционных правил о закономерностях предметной области), базы данных, базы целей (множества локальных целей системы, представляющих собой совокупность знаний, активизированных в конкретный момент и в конкретной ситуации для достижения глобальной цели) и блока алгоритмических методов решений, который содержит программные модули решения задач предметной области по жестким алгоритмам. Блок усвоения знаний осуществляет анализ динамических знаний с целью их усвоения и сохранения в базе знаний. Блок объяснения решений интерпретирует пользователю последовательность логического вывода, примененную для достижения текущего результата. На выходе системы блок вывода информации обеспечивает вывод данных, текста, речи, изображений и другие результаты логического вывода пользователю и/или объекту управления.

3) Основные типы систем искусственного интеллекта (экспертные системы и системы, основанные на нейронных сетях).

Основные типы систем искусственного интеллекта:

* экспертные системы;

* системы, основанные на нейронных сетях.

Экспертные системы — направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области. Экспертные системы предназначены не для решения каких-то универсальных задач, а для качественного решения задач в определенной разработчиками области (в редких случаях — областях).

Нейронные сети основаны на попытках воспроизвести нервную систему человека (способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга). У нейронных сетей много важных свойств, но ключевое из них — способность к обучению, которое в первую очередь заключается в изменении "силы" синаптических связей между нейронами. На сегодняшний день нейронные сети — один из приоритетных направлений исследований в области искусственного интеллекта.

4) Данные, знания и информация.

Данные — совокупность сведений, зафиксированных на определенном носителе в форме, пригодной для постоянного хранения, передачи и обработки. Преобразование и обработка данных позволяет получить информацию. Информация — результат преобразования и анализа данных. Отличие информации от данных состоит в том, что данные — фиксированные сведения о событиях и явлениях, которые хранятся на определенных носителях, а информация появляется в результате обработки данных при решении конкретных задач. Например, в базах данных хранятся различные данные, а по определенному запросу система управления базой данных выдает требуемую информацию. Знания — зафиксированная и проверенная практикой обработанная информация, которая хранится в базе знаний, отображает знания специалиста в конкретной предметной области использовалась и может многократно использоваться для принятия решений.

5) Классификация знаний.

Классификация знаний представляет собой довольно сложную систему, где все знания изначально классифицируются по признакам "ясность", "доступность", "пропозициональность" и "уровень абстракции". Далее ясные знания подразделяются на явные (сформулированные и обобщенные) и неявные, которые отражаются в действиях, опыте, применительно к конкретной ситуации. По признаку доступности выделяются знания индивидуальные (созданные и используемые конкретным человеком) и коллективные (групповые, организационные, межорганизационные), которые создаются и используются в коллективной деятельности определенной группы людей. Наличие категории "уровень абстракции" позволяет выделять знания конкретные, специализированные, которые дают представление о конкретном предмете или явлении, способе действия в ситуации, и общее, которые объясняют роль, место и взаимосвязь объекта с другими объектами. Для практической деятельности наибольшую ценность представляют знания, которые классифицируются как пропозициональные. Они включают в себя такие типы знаний, как декларативные (знания о чем-то), процедурные (знание осуществления процесса), каузальные, причинно-следственные (знание причин явлений), знания условий и времени выполнения действия, знания отношений объекта действий с другими объектами. К пропозициональным относятся также такие типы знаний как активное и пассивное. Активные знания способствуют осуществлению конкретных действий, используются для понимания причин ситуации, принятия решений и их реализации. Пассивные знания хранится в системах, книгах, документах, базах данных и могут быть востребованы в случае необходимости.

6) Обобщенная алгебраическая модель знаний ({A; R}).

Алгебраическая модель подразумевает представление знаний в виде некоторых алгебраических примитивов, над которыми определено множество действий, некоторые из которых можно задать таблично. Для набора знаний представленного в таком виде действуют правила алгебраических множеств, такие как формализация, определение подсистем и отношений эквивалентности. Также возможно построение цепей множеств, для которых определен порядок отношения "быть подсистемой".

7) Декларативные модели знаний (описательные базы данных).

Декларативные формы представления знаний разработаны в рамках исследований по искусственному интеллекту. Их отличительная особенность в том, что знания относительно предметной области в этом случае описываются в виде совокупности утверждений, характеризующих состав, свойства, законы строения и поведения. Знания в этой форме можно использовать для решении любых задач, связанных с данной предметной областью. Постановка задачи в этом случае сводится к описанию свойств искомого решения (цели), способ же поиска решений (механизм поиска, "машина" вывода) универсален и не зависит ни от поставленной задачи, ни даже от предметной области, что весьма важно при описании слабо изученных и изменяющихся предметных областей. Главный недостаток этой формы представления знаний — низкая вычислительная эффективность (по затратам времени и памяти), поскольку в процедурах поиска решения не учитывается специфика решаемой задачи и предметной области, что делает эту форму непригодной для применения в системах реального времени.

8) Процедурные модели знаний.

В процедурном представлении знания содержатся в процедурах (небольших программах, которые определяют, как выполнять специфичные действия (как поступать в специфичных ситуациях)). При этом можно не описывать все возможные состояния среды или объекта для реализации вывода. Достаточно хранить некоторые начальные состояния и процедуры, генерирующие необходимые описания ситуаций и действий. При процедурном представлении знаний семантика непосредственно заложена в описание элементов базы знаний, за счет чего повышается эффективность поиска решений. По сравнению с процедурной частью статическая база знаний у них мала. Она содержит не "неизменные аксиомы", а лишь так называемые "утверждения", которые приемлемы в данный момент, но могут быть изменены или удалены в любое время. Общие знания и правила вывода представлены в виде специальных целенаправленных процедур, активизирующихся по мере надобности. Процедуры могут активизировать друг друга, их выполнение может прерываться, а затем возобновляться. Возможно использование процедур ("демонов"), активизирующихся при выполнении операций введения, изменения или удаления данных.

9) Логическая модель знаний (представление).

Основная идея подхода при построении логических моделей представления знаний — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В основе логических моделей представления знаний лежит понятие формальной теории, задаваемое кортежем: S = , где

* B — счетное множество базовых символов (алфавит);

* F — множество, называемое формулами;

* A — выделенное подмножество априори истинных формул (аксиом);

* R — конечное множество отношений между формулами, называемое правилами вывода.

Достоинства логических моделей:

* модель базируется на классическом аппарате математической логики, методы которой хорошо изучены и обоснованы;

* имеются достаточно эффективные процедуры вывода;

* база знаний предназначена для хранения большого количества аксиом, из которых по правилам вывода можно получать другие знания.

Основной недостаток — логики, адекватно отражающей человеческое мышление, еще не создано.

10) Продукционная модель знаний.

Продукционная модель знания — модель, основанная на правилах, позволяет представить знание в виде предложений типа "если (условие), то (действие)".

Недостаток продукционной модели — то, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают вследствие необратимости дизъюнкций противоречить друг другу. В этом случае разработчики начинают усложнять систему, включая в нее модули нечеткого вывода или иные средства разрешения конфликтов (правила по приоритету, правила по глубине, эвристические механизмы исключений, возврата и так далее).

Продукционная модель в общем случае: i = B; Q>, где

* S — описание класса ситуаций;

* L — условие, при котором продукция активизируется;

* A – >B — ядро продукции;

* Q — постусловие продукционного правила.

Достоинства продукционных моделей:

* наглядность;

* высокая модульность (отдельные логические правила могут быть добавлены в базу знаний, удалены или изменены независимо от других, модульный принцип разработки систем позволяет автоматизировать их проектирование);

* легкость внесения дополнений и изменений;

* простота логического вывода.

Недостатки продукционных моделей:

* при большом количестве продукционных правил в базе знаний, изменение старого правила или добавления нового приводит к непредсказуемым побочным эффектам;

* затруднительна оценка целостного образа знаний, содержащего в системе.

11) Сетевые модели знаний.

Сетевые модели — 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 (объекты или понятия и бинарное отношение между ними). Наиболее общей сетевой моделью представления знаний являются семантические сети, в которых узлы и связи представляют собой объекты или понятия и их отношения, таким образом, что можно выяснить их значение.

Достоинства семантической сети:

* описание объектов и событий производится на уровне очень близком к естественному языку;

* обеспечивается возможность соединения различных фрагментов сети;

* отношения между понятиями и событиями образуют небольшое, хорошо организованное множество;

* для каждой операции над данными или знаниями можно выделить некоторый участок сети, который охватывает необходимые в данном запросе характеристики;

* обеспечивается наглядность системы знаний, представленной графически:

* близость структуры сети, представляющей знания, семантической структуре фраз на естественном языке;

* соответствие сети современным представлениям об организации долговременной памяти человека.

Недостатки семантической сети:

* сетевая модель не дает ясного представления о структуре предметной области, поэтому формирование и модификация такой модели затруднительны;

* сетевые модели представляют собой пассивные структуры, для обработки которых необходим специальный аппарат формального вывода и планирования.

12) Фреймовая модель знаний.

Фреймовая модель знаний — систематизированная в виде единой теории технологическая модель памяти человека и его сознания. Фрейм — минимальные структуры информации, необходимые для представления класса объектов, явлений или процессов. Фрейм можно представить в виде сети, состоящей из вершин и дуг (отношений), в которых нижние уровни фрейма заканчиваются слотами (переменными), которые заполняются конкретной информацией при вызове фрейма. Значением слота может быть любая информация (текст, числа, математические соотношения, программы, ссылки на другие фреймы). На заполнение слотов могут быть наложены ограничения (например, цена не может быть отрицательной).

Достоинства фреймовой модели знаний:

* способность отображать концептуальную основу организации памяти человека;

* естественность и наглядность представления, модульность;

* поддержка возможности использования значений слотов по умолчанию;

* универсальность, так как позволяют отобразить все многообразие знаний.

Основной недостаток фреймовой модели знаний — отсутствие механизмов управления выводом, который частично устраняется при помощи присоединенных процедур, реализуемый силами пользователя системы.

13) Модели знаний в виде онтологии.

Онтология — формальная спецификация разделяемой концептуальной модели: O = {C, R, A}, где

* O — онтология;

* С — совокупность концептов предметной области;

* R — совокупность отношений между ними;

* A — набор аксиом (законов и правил, которые описывают законы и принципы существования концептов).

14) Вывод знаний, как поиск решения задачи.

Механизм вывода, используя исходные данные и знания из базы знаний, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

15) Модели поиска решения на графе.

При решении ряда задач удобно бывает свести задачу к подзадачам (каждая задача разбивается на дочерние подзадачи). Множество задач и подзадач представляется в виде графа, содержащего вершины типа "И" и вершины типа "ИЛИ". Поиск решения на таких графах отмечается тем, что проверяется не совпадение очередной вершины с нулевой, а разрешимость подзадач. Заключительные вершины должны быть разрешимы, так как это — элементарные задачи. Прочие вершины разрешимы, если:

* для вершин типа "И" разрешимы все ее подзадачи;

* для вершины типа "ИЛИ" разрешима хотя бы одна из подзадач.

16) Генетический алгоритм поиска решений (отбор).

Генетический алгоритм — алгоритм поиска, используемый для решения задач оптимизации и моделирования путем случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе. Генетический алгоритм — разновидность эволюционных вычислений, с помощью которых решаются оптимизационные задачи с использованием методов естественной эволюции, таких как наследование, мутации, отбор и кроссинговер. Отличительная особенность генетического алгоритма — акцент на использование оператора "скрещивания", который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе. Генетические алгоритмы служат, главным образом, для поиска решений в многомерных пространствах поиска.

17) Четкий логический вывод.

Логический вывод — рассуждение, в ходе которого осуществляется переход от исходного суждения (высказывания или системы высказываний) с помощью логических правил к заключению — новому суждению (высказыванию или системе высказываний).

18) Методы решения логических задач.

Основные методы решения логических задач:

* метод рассуждений;

* с помощью таблиц истинности;

* метод блок-схем;

* средствами алгебры логики (алгебры высказываний);

* графический.

19) Методы доказательства логики (синтаксис и семантика).

Методы доказательства логики:

*прямое доказательство (вид доказательства, в котором истинность тезиса обосновывается непосредственно аргументами);

*обратное доказательство (вид доказательства, при котором "доказывание" некоторого суждения (тезиса доказательства) осуществляется через опровержение отрицания этого суждения (антитезиса)).

Обратное доказательство утверждения A проводится следующим образом: сначала принимают предположение, что утверждение A неверно, а затем доказывают, что при таком предположении было бы верно некоторое утверждение B, которое заведомо неверно. Если B ложно, то формула -A–>B истинна тогда и только тогда, когда -A ложно, следовательно утверждение A истинно. Полученное противоречие показывает, что исходное предположение было неверным, и поэтому верно утверждение --A, которое равносильно утверждению A (по закону двойного отрицания).

20) Вывод методом резолюции.

Доказательство теорем сводится к доказательству того, что некоторая формула G (гипотеза теоремы) является логическим следствием множества формул F1, …, Fk (то есть сама теорема может быть сформулирована следующим образом: "если F1, …, Fk истинны, то истинна и G"). Для доказательства того, что формула G является логическим следствием множества формул F1, …, Fk, метод резолюций применяется следующим образом: сначала составляется множество формул{F1, …, Fk; -G}, затем каждая из этих формул приводится к конъюнктивной нормальной форме (конъюнкция дизъюнктов), в полученных формулах зачеркиваются знаки конъюнкции, и получается множество дизъюнктов S. Если пустой дизъюнкт выводим из S, то формула G является логическим следствием формул F1, …, Fk. Если из S нельзя вывести #, то G не является логическим следствием формул F1, …, Fk. Такой метод доказательства теорем называется методом резолюций.

21) Неопределенность и ее классификация.

Неопределенность — отсутствие или недостаток определения или информации о чем-либо.

Виды неопределенности:

* перспективная неопределенность (возникает вследствие появления непредусмотренных факторов, влияющих на ход развития и эффективность функционирования исследуемых объектов (процессов), исследуемый объект недостаточно изучен);

* ретроспективная неопределенность (связана с отсутствием информации о поведении изучаемого объекта в прошлом; возможен либо переход к ситуациям определенности или риска, либо такой переход принципиально невозможен);

* техническая неопределенность (следствие невозможности предсказания точных результатов);

* стохастическая неопределенность (выступает результатом вероятностного (стохастического) характера исследуемых процессов и явлений; возможны следующие три случая: имеется надежная статистическая информация, известно, что ситуация стохастическая, но необходимой статистической информации для оценки ее вероятностных характеристик нет или высказывается лишь гипотеза о стохастическом характере изучаемых процессов и явлений, которая требует проверки);

* неопределенность состояния природы (связана с полным или частичным незнанием природных условий, при которых придется принимать решения);

* неопределенность целенаправленного противодействия (встречается в ситуации конфликта двух или более сторон, когда каждая сторона не имеет сведений или располагает неполной, неточной информацией о мотивах и характере поведения противодействующих сторон);

* неопределенность целей (связана с неоднозначностью, а иногда и невозможностью выбора одной цели при принятии решения или построении оптимизационной модели);

* неопределенность условий (возникает при недостаточности или полном отсутствии информации об условиях, в которых принимаются решения);

* лингвистическая или смысловая неопределенность (при анализе процессов, явлений, объектов используются вербальный (описательный) подход и соответствующие модели; отличительным признаком такого подхода является широкое применение с математической точки зрения недостаточно точно описанных терминов, понятий, словосочетаний; необходим соответствующий учет лингвистической неопределенности, как основного свойства таких систем);

* неопределенность действий (отсутствует однозначность при выборе решений; возможны следующие случаи: цель единственная (целевая функция единственная), необходимо определить среди всех допустимых решений наилучшее, целей несколько, в этом случае проблема не всегда сводится к решению одной экстремальной задачи, цели (одна или несколько) учтены в ограничениях или возникает проблема нахождения какого-либо элемента из фиксированного множества, выбора в определенном смысле хорошего элемента из этого множества).

22) Байесовский подход к построению модели вывода.

–

23) Нечеткий логический вывод.

Механизм нечеткого логического вывода в своей основе имеет базу знаний, формируемую специалистами предметной области в виде совокупности нечетких продукционных правил следующего вида "если (антецедент (предпосылка)), то (консеквент (следствие))". Антецедент и консеквент — некоторые выражения нечеткой логики, которые наиболее часто представляются в форме нечетких высказываний. В качестве антецедента и консеквента могут использоваться не только простые, но и составные логические нечеткие высказывания, то есть элементарные нечеткие высказывания, соединенные нечеткими логическими связками, такими как нечеткое отрицание, нечеткая конъюнкция, нечеткая дизъюнкция. Нечеткий логический вывод — процесс получения нечетких заключений на основе нечетких условий или предпосылок. Применительно к нечеткой системе управления объектом, нечеткий логический вывод — процесс получения нечетких заключений о требуемом управлении объектом на основе нечетких условий или предпосылок, представляющих собой информацию о текущем состоянии объекта.

24) Экспертная система искусственного интеллекта.

Экспертные системы — направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области. Экспертные системы предназначены не для решения каких-то универсальных задач, а для качественного решения задач в определенной разработчиками области (в редких случаях — областях).

25) Система искусственного интеллекта, основанная на нейронных сетях.

Нейронные сети — одно из направлений исследований в области искусственного интеллекта, основанное на попытках воспроизвести нервную систему человека (способность нервной системы обучаться и исправлять ошибки, что должно позволить смоделировать, хотя и достаточно грубо, работу человеческого мозга). У нейронных сетей много важных свойств, но ключевое из них — способность к обучению, которое в первую очередь заключается в изменении "силы" синаптических связей между нейронами. На сегодняшний день нейронные сети — один из приоритетных направлений исследований в области искусственного интеллекта.