15 линей рус. Министерство здравоохранения рк казахский национальный медицинский университет имени с. Д. Асфендиярова
 Скачать 0.54 Mb.
|
Тема №13. Интеллектуальные системы Цель: Ознакомить с современными представлениями о проектировании и разработке интеллектуальных систем, основанных на знаниях. Задачи обучения: Формирование понятий об основах введения в искусственный интеллект; о структуре и классификаций, технологий разработки экспертных систем. Основные вопросы темы: История развития искусственного интеллекта. Направления искусственного интеллекта. Классификация ИИС. Обощенная структура экспертной системы. Основные понятия и определения. Классификация экспертных систем. Состав экспертных систем. Методы обучения и преподавания: беседа, дискуссия Информационно-дидактический блок. Краткая теорияИдея создания искусственного подобия человеческого разума для решения сложных задач и моделирования мыслительной способности витала в воздухе с древнейших времен. Впервые ее выразил Р. Луллий, 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. Эти идеи легли в основу теоретических разработок в области создания искусственного интеллекта. Развитие искусственного интеллекта как научного направления стало возможным только после создания ЭВМ. Это произошло в 40-х гг. XX в. В это же время Я. Винер (1894 - 1964) создал свои основополагающие работы по новой науке — кибернетике. Термин искусственный интеллект (artificial intelligence) предложен в 1956 г. на семинаре с аналогичным названием в Станфордском университете (США). Семинар был посвящен разработке логических, а не вычислительных задач. Вскоре после признания искусственного интеллекта самостоятельной отраслью науки произошло разделение на два основных направления: нейрокибернетику и кибернетику "черного ящика". И только в настоящее время стали заметны тенденции к объединению этих частей вновь в единое целое, Основную идею нейрокибернетики можно сформулировать следующим образом. Единственный объект, способный мыслить, — это человеческий мозг. Поэтому любое "мыслящее" устройство должно каким-то образом воспроизводить его структуру. 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. Первые нейросети были созданы в конце 50-х гг. американскими учеными Г.Розенблаттом и П. Мак-Каллоком. Это были попытки создать системы, моделирующие человеческий глаз и его взаимодействие с мозгом. Устройство, созданное ими, получило название перцептрона. Оно умело различать буквы алфавита, но было чувствительно к их написанию, например, буквы А, А и А для этого устройства-были тремя разными знаками. Постепенно в 70-80 гг. количество работ по этому направлению искусственного интеллекта стало снижаться. Слишком неутешительны, оказались первые результаты. Авторы объясняли неудачи малой памятью и низким быстродействием существующих в то компьютеров. Однако в середине 80-х гг. в Японии в рамках проекта разработки компьютера V поколения, основанного на знаниях, был создан компьютер VI поколения, или нейрокомпьютер. К этому времени ограничения по памяти и быстродействию были практически сняты. Появились транспьютеры — параллельные компьютеры с большим количеством процессоров. От транспьютеров был один шаг до нейрокомпьютеров, моделирующих структуру мозга человека. Основная область применения нейрокомпьютеров — распознавание образов. Интеллектуальные информационные системы проникают во все сферы нашей жизни, поэтому трудно провести строгую классификацию направлений, по которым ведутся активные и многочисленные исследования в области ИИ. Рассмотрим кратко некоторые из них. Разработка интеллектуальных информационных систем или систем, основанных на знаниях. Целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. В данной области исследований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ), образующих ядро СОЗ ( основанных на знаниях). Частным случаем СОЗ являются экспертные системы (ЭС). Программное обеспечение систем ИИ. Включают специальные языки программирования, ориентированные на обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS 5, KRL, FRL), интегрированные программные среды, содержащие арсенал инструментальных средств для создания систем ИИ (КЕ, ARTS, GURU, G2), а также оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать прикладные ЭС, не прибегая к программированию. КЛАССИФИКАЦИЯ ИИС И  нтеллектуальная информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей. Интеллектуальные информационные системы делятся на: коммуникативные способности - способ взаимодействия конечного пользователя с системой; решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний; способность к самообучению — умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач; адаптивность — способность системы к развитию в соответствии с объективными изменениями области знаний. Системы с интеллектуальным интерфейсом  Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных. Естественно-языковой интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи — частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций. Системы когнитивной графики. Позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Четыре класса ЭС: Классифицирующие, доопределяющие, трансформирующие и мультиагентные. Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод. Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решении. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика). Трансформирующие ЭС относятся к синтезирующим динамическим ЭС, в которых предполагается повторяющееся преобразование знаний в процессе решения задач Мультиагентые системы - это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. ЭС принадлежат к классу систем искусственного интеллекта Самые важные области применения ЭС: неотложные и угрожающие состояния; дефицит времени; ограниченные возможности обследования; скудная клиническая симптоматика; быстрые темпы развития заболевания. Работа с ЭС может вестись удаленно Основные участники создания медицинских ЭС: врач; математик; программист. Основная роль - врача – постановщик задач. Области применения ЭС. Система MYCIN, которую считают сейчас классической, диагностирует бактериальные инфекции крови и дает рекомендации относительно терапии. По типу MYCIN построена система PUFF, которая предназначена для диагностики заболеваний легких. Практика показала, что MYCIN и PUFF, могут заменить человека в ряде областей, хотя их возможности и ограничены. САМООБУЧАЮЩИЕСЯ СИСТЕМЫ Основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода.  Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Нейронные сети. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования. Нейронная сеть — это кибернетическая модель нервней системы, которая представляет собой совокупность большого числа сравнительно простых элементов — нейронов, топология соединения которых зависит от типа сети. В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи. АДАПТИВНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с «чистого листа» на основе сформулированных требований. Реализация этого подхода основана на использовании систем автоматизированного проектирования, или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.). При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного {сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.). Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии - конфигурирование программ и только в редких случаях - их переработка. Разработка естественно-языковых интерфейсов и машинный перевод.Системы машинного перевода с одного естественного языка на другой обеспечивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков (научно-технических текстов), базируются на структурно-логическом подходе, включающем последовательный анализ и синтез естественно-языковых сообщений Генерация и распознавание речи. Системы речевого общения создаются в целях повышения скорости ввода информации в ЭВМ, разгрузки зрения и рук, а также для реализации речевого общения на значительном расстоянии. В таких системах подтекстом понимают фонемный текст (как слышится). Обработка визуальной информации. Задача обработки изображений связана с трансформированием графических образов, результатом которого являются новые изображения При синтезе изображений на вход системы поступает алгоритм построения изображении, а выходными данными являются графические объекты (системы машинной графики). Обучение и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных {появившиеся системы добычи данных (Data-raining) и системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery)}. Распознавание образов.В котором распознавание объектов осуществляется на основании применения специального математического аппарата, обеспечивающего отнесение объектов к классам, а классы описываются совокупностями определенных значений признаков. Игры и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов Кроме того, компьютерные игры предоставляют мощный арсенал разнообразных средств, используемых для обучения. Интеллектуальные роботы. используются программируемые манипуляторы с жесткой схемой управления, названные роботами первого поколения. Экспертная система Экспертная система (ЭС) — это система, обеспечивающая принятие решения по исходной информации на основе базы знаний, хранящей знания экспертов, путем применения ЭВМ, позволяющей интерпретировать эти знания. Экспертная система — это одно из проявлений искусственного интеллекта (моделирования процессов мышления). В медицине врачи постоянно принимают важные решения, определяющие успех всей работы: ставят диагноз. Точность диагностики зависит от квалификации специалиста (эксперта), его умения правильно проанализировать имеющуюся информацию. Но бывают ситуации, когда нет высококвалифицированного специалиста по какой-либо специальности. Поэтому с развитием вычислительной техники возникла идея заложить знания специалистов в компьютер и использовать его в качестве электронного эксперта. Экспертные системы принадлежат к классу систем искусственного интеллекта. Разрабатываемые в настоящее время медицинские экспертные системы просты и решают узкоспециализированные задачи медицинской диагностики. По сути дела это диалоговые базы данных, сопряженные с базами знаний и подсистемами генерации отчетов. Самые важные области применения экспертных систем: неотложные и угрожающие состояния; дефицит времени; ограниченные возможности обследования; скудная клиническая симптоматика; быстрые темпы развития заболевания. Общий принцип, положенный в основу формирования ЭС диагностических заключений, — включение в базу знаний синдромов, позволяющих контролировать все основные системы организма. Выводы, основанные на опыте работы с экспертной системой, весьма конкретны и обоснованны: медицинские знания следует представлять в виде иерархически организованной структуры; этап формирования эталонных описаний развивает у молодых специалистов навыки систематизированного и логически обоснованного описания и представления клинической картины заболевания; язык, встроенный в систему для описания заложенных в оболочку ЭС алгоритмов вывода заключений, должен быть прост и доступен практикующему врачу. Основными участниками создания медицинских экспертных систем являются: врач; математик; программист. Основная роль в разработке такой системы у врача — роль постановщика задач. Такая расстановка обязанностей не уменьшает значение разработчиков ЭС, а лишь упорядочивает взаимоотношения между участниками совместной работы. Необходимо отметить, что работа с экспертными системами может вестись удаленно. Характеристики экспертных систем По способу решения задачи диагностики различают вероятностные и экспертные системы. В вероятностных системах диагностика осуществляется реализацией одного из методов распознавания образов или статистических методов принятия решений. В экспертных системах реализуется логика принятия диагностического решения опытным врачом. Знания, на которых основана ЭС, должны быть явными и доступными, высококачественными, полученными непременно на уровне профессионалов, более глубокими и полными, чем у обычного пользователя, и, таким образом, должны обеспечивать глубину и компетентность системы. Система должна уметь работать не только с количественной, но и с трудно формализуемой качественной информацией, что особенно важно для решения медицинских задач. По типу поддержки решения системы можно разделить на два класса. Системы, улучшающие диагностику. Такие системы существуют в основ ном для более точного определения диагноза или прогноза, они снижают неуверенность в текущей или будущей ситуации относительно пациента. Эти системы рассматривают несколько источников медицинских знаний, включающие различные дисциплины. Системы, предлагающие лучшую стратегию. Эти системы отвечают на вопросы: какие дополнительные исследования могут быть сделаны? Что изменить в распорядке дня, чтобы улучшить лечение? Как лучше всего сообщить пациенту о его состоянии? Эти системы должны учитывать также финансовые и этические стороны лечения. На практике медицинские экспертные системы обычно включают оба эти типа. Трудно отделить лечение от диагноза, и часто очень полезно бывает найти дополнительную информацию, касающуюся пациента или болезни. По типу вмешательства экспертные системы делятся на пассивные, полуактивные и активные. Большинство систем поддержки решения работают в пассивном режиме. Врач должен явно сделать запрос к системе, описать случай и ждать совета системы. В зависимости от предоставленной информации и требуемого совета используются два подхода. В консультационной системе пользователь (врач) дает требуемую информацию о пациенте, а система выдает диагностический или терапевтический совет. Пример: система MYCIN, созданная Шортлайфом (Shortliffe) и его коллегами в Стэнфордском Университете. В критической системе пользователь (врач) дает требуемую информацию о пациенте и информацию относительно запланированной дальнейшей диагностической или лечебной стратегии. Система делает критический анализ предложений врача и выдает свои рекомендации. Пример: система ATTENDING, созданная P. Miller в Йельском Университете. Система анализирует план предстоящего анестезиологического пособия. Полуактивные системы поддержки решения работают на основе анализа поступающей информации и базы знаний, вырабатывая решение. Такие системы играют роль охранных систем. Здесь можно выделить автоматические и сигнальные системы. Автоматические системы напоминания контролируют действия медперсонала. Они помогают избегать неправильного назначения препаратов и дозировок медикаментов, руководствуясь ранее разработанными протоколами. Пример: автоматические дозаторы лекарственных препаратов. Сигнальные системы отслеживают биологические или физиологические параметры пациента и сообщают об отклонениях от безлопастного диапазона. Пример: кардиологический монитор. Активные системы обеспечивают совет или действие, специально предназначенное для конкретного пациента. Они могут принять решение автоматически, без вмешательства врача. Это может быть выдача распоряжений медперсоналу на дополнительные исследования, соответствующие протоколу ведения пациента, или автоматический контроль управления некоторыми медицинскими системами (аппараты искусственного кровообращения, гемодиализа, кардиостимуляторы). Состав экспертных систем Прежде всего важно правильно определить, в какой форме лучше хранить знания эксперта и как ими пользоваться. Важно также обеспечить правильное применение знаний, позволяющее сформулировать достоверные выводы на основе часто противоречивой исходной информации. Желательно, чтобы система по отдельному запросу объясняла свою линию рассуждения в понятном пользователю виде. Хорошая экспертная система имеет блок для пополнения базы знаний. Таким образом, у полностью оформленной экспертной системы присутствуют четыре основных блока. База знаний. Машина вывода. Модуль извлечения знаний. Система объяснения принятых решений. Блоки 3 и 4 необязательны, но законченная экспертная система обязана иметь их все. Рассмотрим основные блоки экспертной системы подробнее. База знаний База знаний содержит факты или утверждения и правила. Факты являются краткосрочной информацией, они могут изменяться в ходе одного сеанса работы. Правила составляют долговременную информацию о том, как порождать новые факты на основе известных данных. Отличие базы знаний от базы данных состоит в механизме пополнения информации недостающими фактами. Распространенным методом отображения знаний являются правила продукций. При этом правила имеют вид ЕСЛИ — ТО, например, ЕСЛИ у пациента высокая температура, ТО вероятность того, что у него ОРВИ, следует умножить на 5. Кроме правила продукций используются деревья решений, семантические сети и исчисление предикатов. Машина вывода Машина вывода — это высокоуровневый интерпретатор, который осуществляет цепочку рассуждений на основе фактов и правил базы знаний и приводит к конечному решению. Машина вывода обычно имеет дело с ненадежными знаниями. Одна из проблем экспертных систем — работа с ненадежной информацией. В настоящее время найдены способы решения этой задачи: нечеткая логика, байесовская логика, коэффициенты уверенности. Эти способы дают на практике вполне приемлемые результаты. Пользователь получает информацию через систему интерфейса. Извлечение знаний Извлечение знаний является трудоемким процессом. Знания сами по себе — дорогой ресурс, который сложно представить в простой для использования в компьютере форме. Обычный способ извлечения знаний состоит в том, что специалист по технологии экспертных систем опрашивает специалистов, знания которых добавляются в экспертную систему, добиваясь правильного представления их знаний в компьютере. Это долгий и дорогой процесс. В настоящее время ведутся интенсивные работы по автоматизации процесса извлечения знаний. Появилось новое поколение систем — самообучающиеся системы, которые уже нельзя назвать экспертными системами в точном понимании этого слова, т. к. они уже не используют знания экспертов. Процесс принятия решения в таких системах трудно понять человеку, поскольку не удается построить блок объяснения решения. Сейчас интенсивно развиваются системы, основанные на технологии нейронных сетей, которые используют этот принцип. Система объяснения принятых решений Человеку часто трудно объяснить, каким образом он принимает свое решение. Система объяснения принятых решений экспертной системы позволяет облегчить процесс общения с ней человека, объясняя, как система пришла к решению. В таком случае при необходимости человек может вмешаться в процесс принятия решения. Примеры применения экспертных систем С помощью экспертных систем эффективно решаются задачи, для которых нет строгой устоявшейся теории. Наиболее эффективное применение экспертные системы получили в диагностике, не только медицинской, но и технической и экономической. Большое влияние на развитие экспертных систем оказала разработанная еще в 1970-е годы в Стенфордском университете система MYCIN, которую сейчас считают классической. Эта система диагностирует бактериальные инфекции крови и дает рекомендации относительно терапии. База знаний системы MYCIN составляет сотни правил типа ЕСЛИ — ТО, которые являются вероятностными, что позволяет принимать правильные решения при ошибочности части данных. Система имеет блок объяснения рассуждений. Опишу несколько областей применения ЭС. Фармакокинетика. Фармакокинетическая модель позволяет представить и определить количественно различные фазы обмена лекарственного средства (поглощение, распространение, преобразование в активных и неактивных метаболитах, выведение). Измерение биологических параметров пациента и консультации с экспертной системой позволяют индивидуально регулировать дозировку лекарственного средства. Клиническое использование этого метода особенно важно при применении препаратов с узким терапевтическим окном (интервал оптимальной дозировки является маленьким, и есть высокий риск неэффективности или передозировки). Терапия. Наиболее выдающиеся примеры диагностической помощи — INTER-NIST/CADUCEUS/QMR-системы, разработанные в Университете Питсбурга. Система INTERNIST охватывает приблизительно 80% терапии и использует в своей основе сведения о 4500 симптомах и синдромах, 600 болезнях. Каждая болезнь описана приблизительно 80 симптомами. Учитывая симптомы, представленные пациентом, система определяет различные диагностические гипотезы. Исследования показали, что диагнозы, выставляемые системой, сопоставимы работе эксперта. Практическое использование системы затруднено по причине больших затрат времени при работе с ней. Химиотерапия. Система ONCOCIN, разработанная в онкологической клинике Стэнфордского университета, предназначена помогать назначению химиотерапии онкологическим больным. Она помогает выбрать терапевтические протоколы, которые могут быть применены к конкретному пациенту, определить дозы химиотерапии и контролировать ход лечения. Интеграция в медицинскую информационную систему. Система HELP, разработанная и внедренная в госпитале Солт-Лейк-Сити, является хорошим примером системы поддержки принятия решений, интегрированной в стационарную информационную систему. Работает она в полуавтоматическом режиме. Система предупреждения обнаруживает патологические отклонения в лабораторных данных и определяет неадекватные дозировки лекарственных препаратов; анализирует микробиологические данные и сравнивает с другими доступными данными лабораторно-клинических исследований; информирует фармацевтов о применении антибиотиков, стоимости и длительности лечения; предупреждает, если обнаруживает инфекцию в анализах, где ее не должно быть, сообщает о случаях слишком долгой резистентной антибиотикотерапии. Польза использования экспертных систем Трудоемкость разработки экспертных систем вынуждает задаться вопросом: "Зачем разрабатывать экспертные системы? Не лучше ли обращаться к человеческому опыту, экспертам?" Помимо недостатков, ЭС обладают положительными качествами. Постоянство. Профессиональные качества человека-эксперта могут серьезно меняться со временем. Легкость передачи или воспроизведения. Передача знаний от одного человека другому — долгий и дорогой процесс. Передача искусственной информации — это просто копирование программы или файла данных. Устойчивость и воспроизводимость результатов. Эксперт-человек может принимать в подобных ситуациях разные решения из-за эмоциональных факторов, тогда как результаты ЭС стабильны. Стоимость эксплуатации. Работа высококвалифицированного эксперта дорогая, а ЭС дороги в разработке, но дешевы в эксплуатации. Литература: 1.Анин Б.Ю. Защита компьютерной информации.-СПб.:БХВ-Санкт-Петербург, 2000 2.Барсуков В.С., Водолазкий В.В. Современные технологии безопастности.-М.:Нолидж, 2000 3.Баричев С.Г., Гончаров В.В., Серов Р.Е. Основы современной криптографии.-М.:Горячая линия-Телеком, 2001 Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.-СПб.:Питер, 2000 г. 5.Столингс В. Основы защиты сетей. –М.:Издательский дом «Вильямс», 2002 6.Хорев П.Б. Методы и средства защиты информации в компьютерных системах.-М.: Издательский центр «Академия», 2006 Контроль Вопросы: Что является основной любой интеллектуальной системы? 2. Что входит в состав экспертной системы? 3. Что такое интегрированная экспертная система? 4. Что такое стыковка экспертной системы? 5. Как связаны универсальность программного средства и количество работы по созданию готовой экспертной системы? 6.Что такое нейросеть? 7.Где применяются нейрокомпьютеры? 8.Перечислите основные направления искусственного интеллекта. 9.Расскажите историю развития искусственного интеллекта. 10.Расскажите модели представления знаний в современных интелектуальных системах. 11.Классификация интеллектуальной информационной системы. Тесты: См. Сборник тестовых заданий по «Информатика» тема «Безопасность информационной системы». Задачи: 1.Перечислите основные направления искусственного интеллекта. 2.Перечислите уровни обработки данных. 3.Перечислите уровни обработки знаний. 4.Перечислите классификацию экспертных систем. Стр. из 53 |
