ИИСиТ вопросы и ответы. ИИСиТ - вопросы 2018 ответы. Вопросы к экзамену Искусственный интеллект, понятие интеллектуальной информационной технологии
 Скачать 0.71 Mb.
|
|
«Интеллектуальные системы и технологии» Вопросы к экзамену Искусственный интеллект, понятие интеллектуальной информационной технологии. Искусственный интеллект (ИИ) – это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считающиеся интеллектуальными, задачи, общаясь с компьютером на ограниченном подмножестве естественного языка. ИИ занимается изучением разумного поведения (у людей, животных и машин) и пытается найти способы моделирования подобного поведения в любом типе искусственно созданного механизма. Несмотря на то что термину больше полувека, единого определения его не существует. Искусственный интеллект всегда был междисциплинарной наукой, являясь одновременно и наукой, и искусством, и техникой, и психологией. Методы искусственного интеллекта разнообразны. Интеллектуальные информационные технологии (ИИТ) (англ. Intellectual information technology, IIT) – это информационные технологии, помогающие человеку ускорить анализ политической, экономической, социальной и технической ситуации, а также - синтез управленческих решений. При этом используемые методы не обязательно должны быть логически непротиворечивы или копировать процессы человеческого мышления. Данные, знания, свойства знаний. Данные – это информация, полученная в результате наблюдений или измерений отдельных свойств (атрибутов), характеризующих объекты, процессы и явления предметной области. Знания (с точки зрения представления знаний в интеллектуальных системах) – это связи и закономерности предметной области (принципы, модели, законы), полученные в результате практической деятельности и профессионального опыта, позволяющего специалистам ставить и решать задачи в данной области. Знания от данных отличаются рядом свойств: − внутренняя интерпретируемость; − структурированность; − связность; − семантическая метрика; − активность. Классификация знаний.  Декларативные и процедурные знания, модели представления знаний. Декларативные знания содержат в себе представление о структуре понятий. Эти знания приближены к данным, фактам. Например, высшее учебное заведение есть совокупность факультетов, а каждый факультет в свою очередь есть совокупность кафедр. Процедурные знания имеют активную природу. Они определяют представления о средствах и путях получения новых знаний, проверке знаний. Это алгоритмы разного рода. С развитием информатики все большая часть знаний сосредотачивалась в структурах данных (таблицы, списки, абстрактные типы данных), то есть увеличивалась роль декларативных. Процедурные знания описывают последовательности действий, которые могут использоваться при решении задач. Это, например, программы для ЭВМ, словесные записи алгоритмов, инструкция по сборке некоторого изделия. Декларативные знания — это все знания, не являющиеся процедурными, например статьи в толковых словарях и энциклопедиях, формулировки законов в физике, химии и других науках и т.п. В отличие от процедурных знаний, отвечающих на вопрос: «Как сделать X?», декларативные знания отвечают, скорее, на вопросы: «Что есть X?» или «Какие связи имеются между Х и Y?», «Почему X?» и т.д. Логическая модель представления знаний. Логическая модель представляет собой формальную систему в которой все знания о предметной области описываются в виде формул этого исчисления или правил вывода. Описание в виде формул дает возможность представить декларативные знания, а правила вывода — процедурные знания. В логике предикатов факты обозначаются n-арными логическими функциями – предикатами F(x1, x2, ..., xm), где F – имя предиката (функтор) и xi – аргументы предиката Предикатом называется функция, принимающая два значения ИСТИНА и ЛОЖЬ – и предназначенная для выражения свойств объекта или связей между ними. Имена предикатов неделимы, т.е. являются так называемыми атомами. Аргументы могут быть атомами или функциями f(x1, x2, ..., xm), где f – имя функции, а x1, x2, ..., xm, так же как и аргументы предикатов являются переменными или константами предметной области Псевдофизические модели представления знаний. Недостатки классической логики и основанной на ней логики предикатов первого порядка как метода представления знаний об окружающем мире привели к появлению псевдофизических логик. В их основе лежит представление нечетких или размытых понятий в виде так называемых лингвистических переменных, придуманных Заде для того, чтобы приблизить семантику (смысл) знака к семантике, которая вырабатывается в мозгу человека в процессе его обучения (опыта) Для этого множество образов (десигнатов), с которыми должна оперировать интеллектуальная система, представляется в виде точек на шкалах. Например, можно рассматривать шкалы «возраст» (в годах), «расстояние до объекта» (в м или км) и т.п. С каждой шкалой связано множество знаковых значений лингвистической переменной. Например, со шкалой «возраст» могут быть связаны следующие значения одноименной лингвистической переменной: «юный», «молодой», «зрелый», «пожилой», «старый», «дряхлый». Со шкалой «расстояние» – «вплотную», «очень близко», «близко», «рядом», «недалеко», «далеко», «очень далеко». Взаимо-связь между этими двумя представлениями (множеством точек на шкале и множеством знаковых значений) задается с помощью функции принадлежности µx(t), где x – значение лингвистической переменной, t – значение на шкале. На рисунке приведен пример описания лингвистической переменной возраст. Здесь каждая кривая описывает ее одно символьное значение.  Наиболее используемыми псевдофизическими логиками являются пространственная, временная и каузальная (причинно-следственная). Сетевая модель представления знаний. В основе сетевой модели лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними. Известно, что любую конкретную ситуацию в реальном мире, всегда можно представить в виде совокупности взаимосвязанных понятий. Причем число базовых отношений не может быть бесконечным (оно заведомо меньше 300); все остальные отношения выражаются через базовые в виде их комбинаций. Эта гипотеза служит основой утверждения о том, что семантические сети являются универсальным средством для представления знаний в интеллектуальных системах. Семантической сетью называется ориентированный граф с помеченными вершинами и дугами, где вершинам соответствуют конкретные объекты, дугам - отношения между ними. Семантические сети являются весьма мощным средством представления знаний. Однако для них характерны неоднозначность представлений знаний и неоднородность связей. В семантических сетях используются три основных типа объектов: Понятия представляют собой сведения об абстрактных или конкретных (физических) объектах предметной области. События - это действия, которые могут внести изменения в предметную область, т.е. изменить состояние предметной области. Свойства используются для уточнения понятий и событий. Применительно к понятиям свойства описывают их особенности или характеристики, например - цвет, размер, качество. Применительно к событиям свойства - продолжительность, место, время и т.д. Рассмотрим, например, текст, содержащий некоторые декларативные знания: «Слева от станка расположен приемный бункер. Расстояние до него равно двум метрам. Справа от станка — бункер готовой продукции. Он находится рядом со станком. Робот перемещается параллельно станку и бункерам на расстоянии 1 м».    Квантифицированные отношения – это логические кванторы общности и существования. Они используются для представления знаний типа: «любой студент должен посещать лабораторные занятия», «существует хотя бы один язык программирования, который должен знать любой выпускник НГТУ». Экстенсиональная семантическая сеть (или К-сеть) содержит информацию о фактах, о конкретных объектах, событиях, действиях. Интенсиональная семантическая сеть (или А-сеть) содержит информацию о закономерностях, потенциальных взаимосвязях между объектами, неизменяемую информацию об объектах, т.е. модель мира. Экстенсиональные (конкретные) знания создаются и обновляются в процессе работы с банком данных, а интенсиональные (абстрактные) изменяются редко. Первые можно назвать экземпляром, а последние – моделью (схемой) базы данных. |