Тема Интеллектуальные технологии и системы Вопросы темы
 Скачать 1.92 Mb.
|
|
ядром свертки. Ядро матрицы способно перемещаться по всему обрабатываемому слою. Начиная свое движение, ядро свертки перемещается по входному изображению. В процессе перемещения ядра свертки происходит формирование сигнала активации для нейрона следующего слоя с аналогичной позицией. Рис. 91. Сети с обратными связями В результате операции свертки с помощью такой матрицы весов получается следующий слой. Этот слой отображает наличие данного признака в обрабатываемом слое и ее координаты. В результате будет сформирована карта признаков. 26 Рис. 92. Сверточная сеть Сверточные нейронные сети активно используются при работе с изображениями. Данный вид нейронной сети использует множество наборов весов. Они отвечают за кодирование определенных элементов изображения. Это могут быть линии, дуги, отображенные под разными углами. Само ядро свертки формируется само по себе, без участия исследователя. Заранее ядро свертки не формируется потому, что оно появляется в результате обучения нейронной сети. В данном случае для процесса обучения сети используется классический метод обратного распространения ошибки. Это только один из методов обучения нейронных сетей, которых существует достаточно много. В результате прохода каждым набором весов формируется свой собственный экземпляр карты признаков. В результате нейронная сеть становится многоканальной и у нее на одном слое становится много независимых карт признаков. Кроме сверточных слоев (на рис. 92 они отмечены символом «С») могут использоваться слои объединения (на рис. 92 они отмечены символом «P»). Если на предыдущей операции свертки уже были выявлены некоторые признаки, то для дальнейшей обработки настолько подробное изображение уже не нужно, и оно уплотняется до менее подробного. К тому же фильтрация уже ненужных деталей помогает не переобучаться. Слой объединения, как правило, вставляется после слоя свертки перед слоем следующей свертки. сенсоры (S), ассоциативные (A) и реагирующие (R) Перед решением конкретной задачи распознавания образов, необходимо настроить (обучить) сеть. Процесс обучения сети заключается в определении набора связей и коэффициентов связей между нейронами. 27 Обучение компьютера происходит с помощью специальных алгоритмов, которые основываются на методах оптимизации, теории вероятности, численных методах, теории графов, средствах математической статистики и т. д. Выделяют следующие способы машинного обучения 1 Дедуктивное (или аналитическое) обучение – в этом случае специалист формализует свои знания и сохраняет их в базе знаний в виде правил, а компьютер затем с помощью специальных алгоритмов выводит из этих правил новые правила и извлекает факты; Индуктивное (или статистическое) обучение – в этом случае компьютер обучается в результате получения опыта. Здесь выделяют несколько технологий. Обучение с учителем (контролируемое или наблюдаемое обучение). В данном случае, во все примеры обучающей выборки включаются правильные ответы (выходы), которые соответствуют исходным данным (входам). Когда идет процесс обучения, весовые коэффициенты настраиваются определенным образом. Им должны быть заданы такие значения, чтобы сеть порождала ответы, максимально близкие к верным. Например, есть набор данных с фотографиями фруктов, на которых изображены яблоки, бананы, манго. Когда сеть получит новое фото, она сравнит его с примерами из обучающего набора данных, чтобы предсказать ответ. Обучение без учителя. В данном случае у модели есть набор данных и нет явных указаний, что с ним делать. Нейронная сеть пытается самостоятельно найти взаимосвязи в данных, извлекая полезные признаки и анализируя их. То есть для каждой ситуации (объекта) компьютеру задается только ситуация и от него требуется объединить ситуации (объекты) в группы, опираясь на данные о сходстве объектов и/или понизить размерность данных. Например, вначале было 140 объектов, потом компьютер их сгруппировал и создал семь групп по 20 объектов в каждой, так как он нашел общее в исходных данных, позволившее ему их объединить в одну категорию. Гибридное обучение. В данном случае часть весов определяется посредством обучения с учителем, а другая часть получается с помощью алгоритмов самообучения. Обучение с подкреплением – для каждого события компьютеру задается обучающая выборка в виде «ситуация, принятое решение». Испытуемая система обучается, взаимодействуя с некоторой средой. Откликом среды на принятые решения являются сигналы подкрепления. Поэтому такое обучение является частным случаем обучения с учителем, но учителем является среда или ее модель. Некоторые правила подкрепления базируются на неявных учителях. Например, в случае искусственной нейронной среды на одновременной активности 1 В результате машинного обучения компьютер способен демонстрировать поведение, которое не было явно запрограммировано (не заложено в компьютер изначально). 28 формальных нейронов, из-за чего их можно отнести к обучению без учителя. Системой подкрепления называется любой набор правил, на основании которых можно изменять с течением времени матрицу взаимодействия (или состояние памяти персептрона). В результате применения метода обучения с подкреплением получается следующее. Модель, ничего не зная об окружающей среде, обучается и находит оптимальное состояние, при котором награда за действия максимальна, причем награда присуждается не сразу, за какое- либо действие, а за последовательность действий. Конечной целью машинного обучения является автоматизация принятия решений в сложных ситуациях, при решении профессиональных задач специалистов, работающих в различных областях деятельности (рис. 93). Рис. 93. Области применения машинного обучения 29 Например, задача размещения баннеров на сайте. Нужно на сайте разместить такие баннеры, клики по которым приносят доход. При этом надо следить за динамикой ситуации (анализировать ее) – возможно, в текущий момент пользователей интересует иная тема, а не та, для которой создан баннер. Так, популярным баннером мог быть тот, который рекламирует продажу дорогих автомобилей, но с течением времени спрос на дорогие автомобили упал и баннер уже стал менее кликабельным. Поэтому его надо менять на другой, например, рекламирующий товары магазина Пятерочка, Магнит и т. д. Возникает потребность в нахождении причин и закономерностей: надо ли заменить баннер по рекламе дорогих автомобилей на баннер по рекламе продуктов питания из определенной торговой сети, и с чем это связано; есть ли другая тематика, кроме продуктов торговых сетей, которая сможет заменить рекламу дорогих автомобилей с такой же отдачей от показа баннера и т. д. Еще одним примером может быть задача предложения услуг на авиабилеты: определить, какой группе категории целесообразно предлагать билеты и по какой цене; определить предпочтения разных категорий пользователей (кто- то всегда ездит с юга только на север и ему не надо предлагать билеты на юг; у кого-то нет жестких предпочтений и он с удовольствием воспримет идею путешествия по новому маршруту); изучить стратегию поведения покупателей и выработать условия изменения уже существующих стратегий и т. д. Конечно, такое машинное обучение несколько отличается от того, как учится человек. Более точно процесс обучения и принятия решений человеком отражен в методах искусственного интеллекта. Вопрос 5. Экспертные системы: понятие, структура, классификация. Экспертные системы являются разновидностью систем искусственного интеллекта и реализуют модель поведения эксперта в определенной области знаний. Экспертная система (ЭС) представляет собой программный комплекс, который использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способен принимать решения на уровне эксперта- профессионала. 30 Экспертные системы способны обеспечивать поддержку решений для нестандартных ситуаций, когда требуется значительный объем знаний и опыта людей. При этом ограничено время принятия решений и весьма значимыми могут быть последствия от некорректных решений. Также экспертные системы могут быть необходимы, когда приходится решать задачи в опасных (вредных) для человека условиях. В ЭС знания хранятся отдельно от данных. Способность экспертной системы эффективно решать поставленные задачи из заданной предметной области, зависит именно от полноты используемой базы знаний. Используемые технологии решения задачи оказывают гораздо меньшее влияние на успешность решения возникающих задач. Решаемые ЭС задачи являются неформализованными или слабо формализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области. ЭС могут решать задачи, связанные с диагностикой, управлением (в том числе технологическими процессами), интерпретацией, прогнозированием, проектированием, наблюдением, обучением и т. д. Рассмотрим укрупненную структуру экспертной системы (рис. 94). Любая экспертная система включает следующие основные элементы. Рабочая память используется в качестве временной памяти, участвующей в принятии решений. Основным назначением рабочей памяти является хранение исходных и промежуточных фактов решаемой в данный момент задачи. Обычно рабочая память находится в оперативной памяти компьютера. В ней фиксируется текущее состояние предметной области в виде набора фактов с коэффициентами уверенности в истинности этих фактов. Рис. 94. Основные элементы экспертной системы 31 Именно в рабочей памяти в процессе общения экспертной системы с пользователем находится информация о текущем логическом выводе. База знаний – хранит правила и эвристики, на основании которых система будет строить свой ответ. Под эвристикой понимают совокупность приемов и методов, облегчающих и упрощающих решение познавательных, конструктивных, практических задач. База знаний отвечает за долгосрочное хранение: фактов, которые описывают определенную предметную область; набора правил, описывающих отношения между этими фактами; других типов декларативных знаний о предметной области. Правила и факты составляют декларативную часть базы знаний. Процедурную часть базы знаний образуют множество функций и процедур, реализующих оптимизационные, расчетные и другие, необходимые для корректного функционирования экспертной системы, алгоритмы. «Решатель» (или как его еще называют – механизм логического вывода) представляет собой некий механизм, использующий базу данных и базу знаний для построения такой цепочки правил, по которой будет осуществляться решение задачи. Для того, чтобы экспертная система могла получать новые факты после сопоставления исходных данных из рабочей памяти и знаний из базы знаний, используется так называемый механизм логического вывода. Это один из самых важных элементов экспертной системы. Механизм логического вывода может строиться на базе одного из трех алгоритмов: алгоритме прямого, обратного или смешанного вывода. Объяснительный (объясняющий) компонент. Благодаря данному компоненту пользователь экспертной системы может получить разъяснения, как система получила данное решение задачи (или почему она не получила решения) и какие знания она при этом использовала. Подсистема приобретения и пополнения знаний отвечает за автоматизацию процессов наполнения экспертной системы знаниями. Данный процесс может не прекращаться на всем этапе жизненного цикла системы. Если на начальном этапе база знаний наполняется буквально «с нуля», то с течением времени знания в базе актуализируются и дополняются новыми, так как в предметной области с течением времени могут происходить изменения, и они должны своевременно отражаться в базе знаний. Поэтому устаревшие знания и факты удаляются, добавляются новые знания и факты, а также корректируется та часть знаний, которую затронули произошедшие изменения предметной области. На этом этапе активное участие принимает эксперт в данной предметной области. 32 Подсистема диалога с пользователем отвечает за создание такого интерфейса между экспертной системой и ее пользователями, чтобы он был удобен, понятен и комфортен для каждого из них. При этом интерфейс должен быть дружественным на всех этапах работы с экспертной системой: при решении поставленных задач; при приобретении знаний и их актуализации; при объяснении полученных экспертной системой результатов. Экспертные системы могут быть статическими, динамическими и квазидинамическими. Статические экспертные системы никак не учитывают те изменения, которые могут происходить с течением времени в окружающем нас мире и в частности в той предметной области, на решение задач которой нацелена экспертная система. Такие виды систем используются в тех областях, где изменения не происходят или сам факт произошедших изменений не оказывает влияния на получаемые экспертной системой результаты решения поставленных задач. То есть: даже если за время решения задачи что-то поменяется во внешней среде, это не окажет влияние на корректность полученных результатов. Практически все экспертные системы, которые появились самыми первыми, относились к классу статических. В архитектуру динамических экспертных систем добавили несколько дополнительных элементов: подсистему, позволяющую моделировать структуру и взаимодействия между объектами внешнего мира; подсистему, позволяющую моделировать различные взаимодействия с внешним миром. Чтобы динамическая экспертная система могла взаимодействовать с внешним миром, к ней подключают различные датчики и контроллеры, которые могут фиксировать актуальные на текущий момент факты и оперативно передавать их в систему. Такие компоненты экспертных систем, как база знаний и машина вывода, существенно отличаются от тех, которые включаются в статические экспертные системы. В структуру двух этих компонент вносятся такие изменения, которые позволяют отражать логику событий, происходящих с течением времени в реальном мире. Кроме статистических и динамических экспертных систем, выделяют квазидинамические. Они по технологии работы и структуре в основном похожи на динамические. Единственным отличием будет то, что квазидинамические экспертные системы ориентированы на учет изменений, происходящих в течении строго указанного интервала времени. 33 Классифицировать экспертные системы можно по разным критериям (рис. 95). Рассмотрим особенности некоторых из указанных на рисунке видов экспертных систем. Рис. 95. Классификация экспертных систем Например, автономные экспертные системы предназначены для консультирования пользователя по таким вопросам, для решения которых не требуются расчеты, моделирование или иные методы обработки данных. Гибридные экспертные системы нацелены на решение сложных задач. Поэтому в состав экспертной системы подключают профильное программное обеспечение и различные средства, позволяющие выполнять манипулирование знаниями. Например, к профильному программному обеспечению, используемому гибридной экспертной системой, можно отнести пакеты для проведения статистической обработки, решения задач линейного программирования, системы управления базами данных и т. д. Гибридная экспертная система может быть реализована несколькими способами. Например, в виде интеллектуальной надстройки над пакетом прикладных программ. Либо это может быть интегрированная среда, предназначенная для решения сложных задач с элементами экспертных знаний. Создать гибридную экспертную систему гораздо сложнее, чем автономную. В данном случае необходимо продумать, как можно увязать в единое целое разные методологии, которые могут существенно отличаться в используемых пакетах прикладных программ и базовом каркасе экспертной системы. 34 По предметной области наибольшее количество экспертных систем используется в космической технике, медицине, промышленности, юриспруденции и т. д. Кроме уже рассмотренных, можно выделить поверхностные и глубинные экспертные системы. Отличаются они друг от друга подходами к представлению знаний. В поверхностных экспертных системах знания представлены в виде правил «ЕСЛИ-ТО». Решение может быть выведено в том случае, если нет обрывов в цепочке правил. А если такие цепочки сложны, объемны, с многоуровневой вложенностью, то вероятность появления обрыва достаточно высока. Эта проблема устранена в глубинных экспертных системах. Они могут в случае обрыва цепочки правил определить, что нужно сделать, чтобы продолжить решение задачи. Это стало возможным благодаря использованию глубинными экспертными системами метазнаний. Вопрос 6. Модели представления знаний в экспертных системах. Любая предметная область характеризуется: своим набором понятий и связей между ними; определенными законами, связывающими между собой объекты рассматриваемой предметной области; специфическими процессами и событиями. Каждая предметная область характеризуется такими методами решения задач, которые присущи только ей. Знания о предметной области и способах решения задач в ней разнообразны. Мы уже рассматривали с вами различные классификации знаний. Однако применительно к описанию моделей представления знаний в экспертной системе наиболее часто используют разделение знаний на процедурные и декларативные. Учитывая, что экспертная система представляет собой компьютерную программу (а порой сложные программные комплексы), то, чтобы ввести знания о предметной области в компьютер, необходимо их представить в такой форме, которая была бы понятна компьютеру. Поэтому используют специальные модели представления знаний в экспертных системах. В настоящее время разработано множество моделей представления знаний. Имея обобщенное название, они различаются по идеям, лежащим в их основе, с точки зрения математической обоснованности. |