КР ИСИТ ВКМавричев ИБ-71з. Контрольная работа Интеллектуальные системы и технологии Вариант 4 фио Мавричев В. К

• Название: Контрольная работа Интеллектуальные системы и технологии Вариант 4 фио Мавричев В. К
• Дата: 12.12.2022
• Размер: 64.96 Kb.
• Имя файла: КР ИСИТ ВКМавричев ИБ-71з.docx
• Тип: Контрольная работа; #840804

САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ

УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ им. проф. М.А. Бонч-Бруевича

ИНСТИТУТ НЕПРЕРЫВОГО ОБРАЗОВАНИЯ

Контрольная работа

Интеллектуальные системы и технологии

Вариант 4

ФИО: Мавричев В.К. Группа №: ИБ-71з Преподаватель: ______________ _____________

Санкт-Петербург
2022

1. 
   Какой характеристикой представляется риск срыва временного регламента функционирования интеллектуальной информационной системы?
   

Риск срыва сроков проекта - невыполнение работ в установленные сроки, зависимость выполнения работ от смежных проектов и мероприятий.

2. 
   Представить пример формального описания стохастических связей действий интеллектуальных информационных систем?
   

Формально базу данных можно рассматривать как теорию первого порядка, точнее, как множество аксиом в некоторой теории первого порядка. В свою очередь, база знаний есть множество теорем, которые могут быть получены из множества хранящихся аксиом использованием множества универсальных механизмов вывода.

На начальном этапе применения методов искусственного интеллекта к ИС наибольшее распространение получили экспертные системы (ЭС), т.е. компьютерные программы, имеющие дело с проблемами, для которых не существует непосредственно аналитических методов, но в которых они позволяют получить результаты.

Логические выводы, возможности получения логических следствий и возможности решения проблем обычно бывают встроены в машину вывода ЭС. В литературе по искусственному интеллекту термин «решение проблем» относится к методологии поиска пути из начального состояния в целевое состояние. Техника решения проблем включает общий решатель проблем и поисковый алгоритм.

3. 
   В чём заключается отличие интеллектуальных информационных агентов от реактивных агентов?
   

Интеллектуальный агент (известный также как рациональный агент) не всегда является программным продуктом. Он может быть также машиной, человеческим существом, сообществом человеческих сущностей (как, например, бизнес-сообщество) или чем-либо ещё, способным к целенаправленному поведению.
4. Перечислить области применения интеллектуальных информационных систем продукционного типа.
Примерами областей являются:

Промышленность:

- Управление производством: составление и оптимизация производственной цепочки посредством распределения технологических шагов как между внутренними подразделениями, так и между сторонними подрядчиками.

- Контроль производственных процессов: сбор и анализ текущей информации, коммуникации с агентами, контролирующими другие подсистемы, принятие и реализация оперативных решений.

- Управление воздушным транспортом: моделирование и оптимизация диспетчерской деятельности аэропорта.

Предпринимательство:

- Управление информацией: поиск источников, сбор, фильтрация и анализ данных, интеллектуальная обработка больших объемов информации.

- Электронная коммерция открывает широкие возможности для использования интеллектуальных агентов как на стороне продавца, так и на стороне покупателя.

- Управление бизнес-процессами: гибкая автоматизация корпоративной организационной деятельности со сложной внутренней логикой и большим количеством участвующих сторон.

Медицина:

- Мониторинг пациентов: непрерывный сбор, учет и анализ большого количества отслеживаемых характеристик состояния пациентов на протяжении продолжительного промежутка времени.

- Здравоохранение: возможность обследования и диагностирования пациентов с использованием виртуальных специалистов из различных областей медицины.

Индустрия развлечений:

- Компьютерные игры: возможность достижения качественно новых уровней посредством использования интеллектуальных агентов для различных участвующих сторон.

- Интерактивные приложения (телевидение, театр, кинематограф): агенты могут создавать иллюзию реальности происходящего действия, позволяя пользователю принимать в нем участие.

Примеры ИИС в экономике:

·Intelligent Hedger

·Система рассуждений в прогнозировании обмена валют.

·Nereid.

·PMIDSS: Система поддержки принятия решений при управлении портфелем.

5. 
   Какой этап следует после обучения искусственной нейронной сети в процессе её исследования?
   

Подготовка входных и выходных параметров

5. 
   Какой смысл имеют ограничения инициализаций переменных, присутствующих в предусловиях и постусловиях операторов?
   

Инициализация переменной – это присваивание переменной значения, которое в дальнейшем она, переменная, будет хранить, и которое можно будет использовать, путем обращения к имени переменной.

5. 
   Как описывается задача планирования действий интеллектуальных информационных агентов?
   

Формально задача планирования описывается следующим образом:

дана система агент-среда M=(Q,A,ГM), где

• 
  Q - множество наблюдаемых состояний
  
• 
  A - множество действий
  
• 
  ГM: QxA=>Q функция перехода: для каждого состояния q принадлежащего Q и действия a принадлежащего A определяет следующее состояние q'= ГM(q,a), начальные условия I и множество целевых состояний G.
  

Требуется найти план – упорядоченное множество действий P={a1,..,an}, такое что суперпозиция функций перехода ГM(ГM(…ГM(ГM(q0, a1) a2)…, an-1), an) принадлежащего G при q0 принадлежащего I.

При заданной системе агент-среда M=(Q,A,ГM) для задачи планирования {I,G} удовлетворительная процедура построения плана GeneratePlan должна обладать следующими свойствами:

1. Корректность: для любой задачи с заданными M, I, G если GeneratePlan успешно генерирует план P, то выполнение шагов в P в любой ситуации, удовлетворяющей I, всегда дает состояние из множества G.

2. Полнота: GeneratePlan находит план-решение, если он существует

3. Системность: GeneratePlan никогда не рассматривает один и тот же план (полностью или частично) более одного раза.

Таким образом, в задаче имеются две основные составляющие – среда и агент.

5. 
   Как решаются слабоструктурированные и плохо формализованные задачи в интеллектуальных информационных системах?
   

Структурированная (формализуемая) задача — задача, где известны все ее элементы и взаимосвязи между ними. В структурированной задаче удается выразить ее содержание в форме мате­матической модели, имеющей точный алгоритм решения. Подобные задачи обычно прихо­дится решать многократно, и они носят рутинный характер. Целью использования информационной системы для решения структурированных задач является полная автома­тизация их решения, т. е. сведение роли человека к нулю. Пример. Реализация задачи расчета за­работной платы.

Неструктурированная (неформализуемая) задача — задача, в которой невозможно выделить элементы и установить между ними связи. Решение неструктурированныхзадач из-за невозможности создания матема­тического описания и разработки алгоритма связано с большими трудностями. Решение в таких случаях принимается человеком из эвристических соображений на основе своего опыта и, возмож­но, косвенной информации из разных источников.

5. 
   Как находятся характеристики представления действий интеллектуальной информационной системы в случае их описания в классе марковских цепей?
   

Форма представления знаний оказывает существенное влияние на характеристики ИИС. Базы знаний являются моделями человеческих знаний. Однако все знания, которые привлекает человек в процессе решения сложных задач, смоделировать невозможно. Поэтому в интеллектуальных системах требуется четко разделить знания на те, которые предназначены для обработки компьютером, и знания, используемые человеком. Очевидно, что для решения сложных задач БЗ должна иметь достаточно большой объем, в связи с чем неизбежно возникают проблемы управления такой базой. Поэтому при выборе модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Однородность представления приводит к упрощению механизма управления знаниями. Простота понимания важна для пользователей интеллектуальных систем и экспертов, чьи знания закладываются в ИИС. Если форма представления знаний будет трудна для понимания, то усложняются процессы приобретения и интерпретации знаний. Следует заметить, что одновременно выполнить эти требования довольно сложно, особенно в больших системах, где неизбежным становится структурирование и модульное представление знаний.

5. 
   Какие инструментальные среды используются для проектирования интеллектуальных информационных систем с интеллектуальными модулями продукционного типа?
   

Процесс построения систем разделяется на пять этапов:

1. Идентификация определения задач и идентификация их характеристик.

2. Выделение главных концепций предметной области, которые отражают знания круга экспертов.

3. Выбор формализма представления знаний и определение механизма вывода решений.

4. Выбор или разработка языка представления знаний.

5. Тестирование системы.

5. 
   Что представляет следующая функция
   

N
AP_W_i X_i

i1

в функциональной спецификации интеллектуальной информационной системы?

Функция представляет собой готовый блок, предназначенный для решения задач.

5. 
   Как описывается исходная информация для решения задачи планирования в интеллектуальной информационной системе?
   

При планировании в пространстве задач ситуация несколько иная. Пространство образуется в результате введения на множестве задач отношения типа: "часть - целое", "задача - подзадача", "общий случай - частный случай" и т. п. Другими словами, пространство задач отражает декомпозицию задач на подзадачи (цели на подцели). PR-проблема состоит в поиске декомпозиции исходной задачи на подзадачи, приводящей к задачам, решение которых системе известно. Например, ИС известно, как вычисляются значения sin x и cos x для любого значения аргумента и как производится операция деления.

5. 
   С какой целью осуществляется оптимизация планирования действий интеллектуальных информационных агентов?
   

Использование обычного агента, решающего задачи с помощью стандартных алгоритмов поиска. Такой агент при решении задачи планирования сталкивается со следующими проблемами.

1. Наличие огромного количества действий, не относящихся к делу.

2. Определение хорошей эвристической функции.

3. Возможность декомпозиции задачи.

5. 
   Указать назначение следующей функции
   

_Y 1

_{1 e}kp

в функциональной спецификации интеллектуальной информационной системы?

Функция представляет собой готовый блок, предназначенный для решения задач.

5. 
   Какой критерий используется при отборе доступной информации?
   

Критерий достоверности информации

5. 
   Что из себя представляет символьная таблица для алгоритма планирования действий?
   

Классический подход, реализуемый мыслящим существом для решения этой задачи, состоит в прогнозировании последующих ходов – своих и ответных ходов противника. Таким образом, может быть построено дерево (или граф) допустимых ходов и возможных игровых позиций, пример которого приведен на рисунке2. На рисунке символами Q обозначены позиции после хода противника, символами R – позиции после хода игрока; вершины графа, у которых стрелки соединены дугой, означают И – вершину, т.е. вершину, для достижения цели в которой, необходимо достичь цели во всех вершинах нижнего уровня; вершины графа, у которых стрелки не соединены дугой, означают ИЛИ – вершину, т.е. вершину, для достижения цели в которой, необходимо достичь цель хотя бы в одной вершине нижнего уровня.

В И – ИЛИ дереве, показанном на рисунке2, вершины соответствуют позициям, а дуги – возможным ходам. Уровни позиций игрока чередуются в дереве с уровнями позиций противника. Для того, чтобы выиграть в позиции P, нужно найти ход, переводящий Р в выигранную позицию Qi . Таким образом, игрок выигрывает в позиции Р, если он выигрывает в Q1 , или в Q2, или Q3 , или … Следовательно, Р – это ИЛИ – вершина. Для любого i позиция Qi – это позиция противника, поэтому если в этой позиции выигрывает игрок, то он выигрывает и после каждого варианта хода противника. Другими словами, игрок выигрывает в Qi , если он выигрывает во всех позициях Ri1 и Ri2 и … Таким образом, все позиции противника – это И – вершины.


Пример дерева при поиске хода

5. 
   Что нужно сделать для определения весовых коэффициентов искусственного нейрона?
   

При возбуждении одновременно двух нейронов с выходами (хj, уі) на t-том шаге обучения вес синаптического соединения между ними возрастает, в ином случае - уменьшается, то есть

D Wij(k)=r xj (k) yi (k),

где r - коэффициент скорости обучения.

Может применяться при обучении "с учителем" и "без учителя".

5. 
   Указать характеристики стохастических действий из класса марковских цепей, выполняемых интеллектуальной информационной системой?
   

Пример матрицы переходных вероятностей с множеством состояний S = {S₁, …, S₅}, вектором начальных вероятностей p⁽⁰⁾ = {1, 0, 0, 0, 0}:



С помощью вектора начальных вероятностей и матрицы переходов можно вычислить стохастический вектор p⁽ⁿ⁾ — вектор, составленный из вероятностей p⁽ⁿ⁾(i) того, что процесс окажется в состоянии i в момент времени n. Получить p⁽ⁿ⁾ можно с помощью формулы:

p⁽ⁿ⁾ = p⁽⁰⁾×P ⁿ

Векторы p⁽ⁿ⁾ при росте n в некоторых случаях стабилизируются — сходятся к некоторому вероятностному вектору ρ, который можно назвать стационарным распределением цепи. Стационарность проявляется в том, что взяв p⁽⁰⁾ = ρ, мы получим p⁽ⁿ⁾ = ρ для любого n.

5. 
   Как соотносятся между собой пороговая и сигмоидальная функции при моделировании нейрона?
   

Нейрон сигмоидального типа имеет структуру, подобную модели МакКаллока–Питса, с той разницей, что функция активации является непрерывной и может быть выражена в виде сигмоидальной униполярной или биполярной функции. Структура нейрона представлена на рис.



Рис.Модель сигмоидального нейрона

5. 
   Какая модель может являться альтернативой модели рекуррентной искусственной нейронной сети?
   

Хинтон позиционировал RBM как раз в качестве альтернативы PCA и прочим методам снижения размерности.

Входное пространство действительно небольшое и уменьшать его каким-либо методом не самая важная задача в этом случае, потому что обучение и так будет быстрое. 

С другой стороны, «обучение» стека RBM — это пока сродни искусству. Слишком много мета-параметров и различных модификаций, что ведет к тому, что легко пропустить ту область пространства мета-параметров, которая приведет к улучшению качества.

5. 
   Какие характеристики описывают возможные действия из класса полумарковских процессов интеллектуальной информационной системы?
   

Структура данных на концептуальном уровне называется концептуальной схемой. Сущность — это собирательное понятие, некоторая абстракция реально существующего объекта, процесса или явления, о котором необходимо хранить информацию в системе. Для идентификации конкретных экземпляров сущностей в некотором типе используются специальные атрибуты - идентификаторы. Это может быть один или несколько атрибутов, знание которых позволяет однозначно отличать один экземпляр сущности от другого. Атрибут — это поименованная характеристика сущности, принимающая значение из некоторого множества значений. Основное назначение атрибута - описание свойства сущности, а также идентификация экземпляров сущностей. Связи выступают в модели в качестве средства, с помощью которого представляются отношения между сущностями, имеющими место в предметной области.

5. 
   Какие модели представления знаний применяются при интеллектуализации информационных систем?
   

Семантическая сеть представляет собой ориентированный граф, вершинами которого являются информационные единицы, имеющие индивидуальные имена.

Фрейм представляет собой структуру данных, дающую целостное представление об объектах, явлениях и их типах в виде абстрактных образов. Структура фрейма записывается в виде списка свойств (слотов).

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа ЕСЛИ (условие), ТО (действие).

Нейронные сети – это направление компьютерной индустрии, в основе которого лежит идея создания ИИ по образу и подобию человеческого мозга.

5. 
   С какой целью осуществляется отбор доступной информации для интеллектуальной информационной системы?
   

Интеллектуальные информационные системы, преобразуют сырую информацию в кондиционный информационный продукт и, этим самым, многократно повышают ее потребительскую и меновую стоимость.

5. 
   Каков признак динамической искусственной нейронной сети?
   

Искусственная динамическая нейронная сеть, обладает свойствами пространственно-временной ассоциативной памяти и легко обучаемая. Ядром сети является система динамических нейронов с изменяющимися межнейронными связями, выполняющая функции хранения пространственно-временных образов и формирования общей временной динамики сети.

5. 
   Как осуществляется регистрация уточнения плана при планировании действий интеллектуальной информационной системы?
   

Команда должна соблюдать следующие принципы:

• 
  избегание постоянной сверхурочной работы;
  
• 
  накопление статистических параметров по выполнению итераций (время выполнения, количество возникающих проблем в работе над определенным типом задач, природа проблем (организационная, техническая и т. д.) и пр.);
  
• 
  извлечение системных выводов из полученных параметров и их дальнейшее применение в процессе.
  
• 
  
  

5. 
   Какие модели применяются для регрессионного анализа при учёте временного фактора в процессе интеллектуализации информационной системы?
   

Регрессионная

5. 
   Что из себя представляет модельно-аналитический интеллект?
   

Теоретическая основа разработки сохраняет преемственность с известной методологией формирования модельно-аналитического интеллекта информационных агентов с контролируемым качеством. Разработка новой формализации начата с выбора объектно-ориентированного подхода к моделированию интеллектуальных информационных агентов. В рамках выбранного подхода задействован класс диаграмм деятельности. На традиционные приёмы построения моделей в классе диаграмм деятельности наложены предлагаемые дополнения к отображению особенностей функционирования агентов. Дополнения предусматривают введение в образы моделей статистических характеристик подчинённых действий, их стохастических связей и функциональных спецификаций объединений параллельных действий. Применение дополнений обеспечивает формирование математического описания расширенных объектно-ориентированных моделей интеллектуальных информационных агентов. Формируемое описание детализировано до уровня представления содержания и размерностей параметров, функций и характеристик. В расширенных моделях учтено событие вероятного подтверждения запроса.

5. 
   В чём заключается отличительная особенность линейных искусственных нейронных сетей?
   

На языке нейронных сетей линейная модель представляется сетью без промежуточных слоев, которая в выходном слое содержит только линейные элементы (то есть элементы с линейной функцией активации). Веса соответствуют элементам матрицы, а пороги - компонентам вектора смещения. Во время работы сеть фактически умножает вектор входов на матрицу весов, а затем к полученному вектору прибавляет вектор смещения.

5. 
   В описании какого процесса функциональной спецификации интеллектуальной информационной системы требуется представление предусловий конечного состояния среды?
   

Функциональная спецификация состоит из трех частей:

• 
  описания внешней информационной среды, к которой должны применяться программы разрабатываемой ПС;
  
• 
  определение функций ПС, определенных на множестве состояний этой информационной среды (такие функции будем называть внешними функциямиПС);
  
• 
  описание нежелательных (исключительных) ситуаций, которые могут возникнуть при выполнении программ ПС, и реакций на эти ситуации, которые должны обеспечить соответствующие программы.
  

5. 
   Указать примеры объектов среды для информационных интеллектуальных агентов?
   

Как показывает практика, в большинстве случаев применение интеллектуальных агентов сводится к одному из двух вариантов:

1. Автономное выполнение специфических функций вместо человека, а в ряде случаев, даже от лица человека.

2. Помощь в выполнении некоторых видов деятельности посредством высокоуровневого взаимодействия с человеком.

В результате анализа известных прикладных систем, реализованных на базе рассматриваемого подхода, можно выделить следующие типы интеллектуальных агентов:

1. Кооперативные агенты, способные не только к автономному изолированному функционированию, но и к совместной деятельности с другими агентами, в частности координации действий, разработке общих планов и разрешению конфликтов. Примерами агентов являются проект Pleiades университета Карнеги-Меллон , системы MII и ADEPT .

2. Интерфейсные агенты, задачей которых является взаимодействие с пользователем и помощь ему в выполнении некоторой деятельности. Данный тип агентов также иногда называют персональными ассистентами. Существующие реализации включают различные справочные системы , торговые помощники , системы поддержки документооборота и развлекательные системы.

3. Мобильные агенты, обладающие способностью выполнять свои функции при различном расположении внутри среды обитания. Наиболее естественной средой функционирования для таких агентов являются различные вычислительные сети или системы связи. Необходимо также заметить, что сама по себе мобильность не является ни необходимым, ни достаточным свойством интеллектуального агента.

4. Информационные агенты возникли в виде отдельного класса в результате резко возникшей необходимости поиска, сбора и переработки большого количества информации с относительно простым доступом. В первую очередь к данной группе относятся системы поиска в Интернет, например поиск в WWW и фильтрация архивов телеконференций.

5. Реактивные агенты составляют специальную группу агентов, которые не располагают какой-либо внутренней моделью среды, а действуют лишь в ответ на определенное состояние окружающей среды или изменение состояния. Примерами таких систем являются “ситуационный автомат” , различные системы моделирования общественного поведения , игровые приложения .

6. Гибридные агенты, совмещающие в себе особенности, присущие различным вышеперечисленным классам. К данной группе относятся, в частности, InteRRaP , сочетающий в себе реактивный и кооперативный модули, система мониторинга пациентов Guardian , а также различные мобильные информационные агенты.

7. Гетерогенные агентные системы, в отличие от гибридных агентов, состоят из нескольких агентов, принадлежащих к разным классам. Основной мотивацией при создании таких систем является построение интеграции существующих специализированных систем (ARCHON), при этом одним из основных вопросов оказывается организация взаимодействия между агентами.