Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
1. Предметная область и ее онтология.
=========================================
Предме?тная о?бласть — множество всех предметов, свойства которых и отношения между которыми рассматриваются в научной теории. В логике — подразумеваемая область возможных значений предметных переменных логического языка.
Предметная область — часть реального мира, рассматриваемая в пределах данного контекста. Под контекстом здесь может пониматься, например, область исследования или область, которая является объектом некоторой деятельности
Предмет онтологии
Основным предметом онтологии является сущее; бытие, которое определяется как полнота и единство всех видов реальности: объективной, физической, субъективной, социальной и виртуальной.
Реальность с позиции идеализма традиционно делится на материю (материальный мир) и дух (духовный мир, включая понятия души и Бога). С позиции материализма подразделяется на косную, живую и социальную материю
Бытие, как то, что можно мыслить, противопоставляется немыслимому ничто (а также ещё-не-бытию возможности в философии аристотелизма). В XX веке в экзистенциализме бытие интерпретируется через бытие человека, поскольку он обладает способностью мыслить и вопрошать о бытии. Однако в классической метафизике под бытием понимается Бог. Человек, как бытие, обладает свободой и волей.
Типы онтологий[править | править исходный текст]
Мета-онтологии — описывают наиболее общие понятия, которые не зависят от предметных областей.
Онтология предметной области — формальное описание предметной области, обычно применяется для того, чтобы уточнить понятия, определённые в мета-онтологии (если используется), и/или определить общую терминологическую базу предметной области.
Онтология конкретной задачи — онтология, определяющая общую терминологическую базу задачи, проблемы.
Сетевые онтологии часто используют для описания конечных результатов действий, выполняемых объектами предметной области или задачи.
2. Данные. Информация. Знания.
===================================
Да?нные (калька от англ. data[источник не указан 494 дня]) — представление фактов и идей в формализованном виде, пригодном для передачи и обработки в некотором информационном процессе.
Изначально — данные величины, то есть величины, заданные заранее, вместе с условием задачи. Противоположность — переменные величины.
В информатике данные — представленные в виде кода сообщения.[1]
Данные сами могут выступать в роли сообщений при условии их декодирования. Данные, могут подвергаться обработке, и результаты обработки фиксируются в виде новых данных.
С точки зрения программиста, данные — это часть программы, совокупность значений определённых ячеек памяти, преобразование которых осуществляет код. С точки зрения компилятора, процессора, операционной системы, это совокупность ячеек памяти, обладающих определёнными свойствами (возможность чтения и записи (необяз.), невозможность исполнения).
Контроль за доступом к данным в современных компьютерах осуществляется аппаратно.
В соответствии с принципом фон Неймана, одна и та же область памяти может выступать как в качестве данных, так и в качестве исполнимого кода.
Типы данных[править | править исходный текст]
Традиционно выделяют два типа данных — двоичные (бинарные) и текстовые.
Двоичные данные обрабатываются только специализированным программным обеспечением, знающим их структуру, все остальные программы передают данные без изменений.
Текстовые данные воспринимаются передающими системами как текст, записанный на каком-либо языке. Для них может осуществляться перекодировка (из кодировки отправляющей системы в кодировку принимающей), заменяться символы переноса строки, изменяться максимальная длина строки, изменяться количество пробелов в тексте.
Передача текстовых данных как бинарных приводит к необходимости изменять кодировку в прикладном программном обеспечении (это умеет большинство прикладного ПО, отображающего текст, получаемый из разных источников), передача бинарных данных как текстовых может привести их к необратимому повреждению.
Информация (от лат. informatio — «разъяснение, изложение, осведомлённость») — сведения о чём-либо, независимо от формы их представления.
В настоящее время не существует единого определения информации как научного термина. С точки зрения различных областей знания данное понятие описывается своим специфическим набором признаков. Понятие «информация» является базовым в курсе информатики, где невозможно дать его определение через другие, более «простые» понятия (так же, в геометрии, например, невозможно выразить содержание базовых понятий «точка», «прямая», «плоскость» через более простые понятия). Содержание основных, базовых понятий в любой науке должно быть пояснено на примерах или выявлено путём их сопоставления с содержанием других понятий. В случае с понятием «информация» проблема его определения ещё более сложная, так как оно является общенаучным понятием. Данное понятие используется в различных науках (информатике, кибернетике, биологии, физике и др.), при этом в каждой науке понятие «информация» связано с различными системами понятий.
Классификация информации[править | править исходный текст]
Информацию можно разделить на виды по различным критериям:
по способу восприятия:
Визуальная — воспринимаемая органами зрения.
Аудиальная — воспринимаемая органами слуха.
Тактильная — воспринимаемая тактильными рецепторами.
Обонятельная — воспринимаемая обонятельными рецепторами.
Вкусовая — воспринимаемая вкусовыми рецепторами.
по форме представления:
Текстовая — передаваемая в виде символов, предназначенных обозначать лексемы языка.
Числовая — в виде цифр и знаков, обозначающих математические действия.
Графическая — в виде изображений, предметов, графиков.
Звуковая — устная или в виде записи и передачи лексем языка аудиальным путём.
по назначению:
Массовая — содержит тривиальные сведения и оперирует набором понятий, понятным большей части социума.
Специальная — содержит специфический набор понятий, при использовании происходит передача сведений, которые могут быть не понятны основной массе социума, но необходимы и понятны в рамках узкой социальной группы, где используется данная информация.
Секретная — передаваемая узкому кругу лиц и по закрытым (защищённым) каналам.
Личная (приватная) — набор сведений о какой-либо личности, определяющий социальное положение и типы социальных взаимодействий внутри популяции.
по значению:
Актуальная — информация, ценная в данный момент времени.
Достоверная — информация, полученная без искажений.
Понятная — информация, выраженная на языке, понятном тому, кому она предназначена.
Полная — информация, достаточная для принятия правильного решения или понимания.
Полезная — полезность информации определяется субъектом, получившим информацию в зависимости от объёма возможностей её использования.
по истинности:
истинная
ложная
Зна?ние — форма существования и систематизации результатов познавательной деятельности человека. Знание помогает людям рационально организовывать свою деятельность и решать различные проблемы, возникающие в её процессе.
Зна?ние в широком смысле — субъективный образ реальности в форме понятий и представлений.
Зна?ние в узком смысле — обладание проверенной информацией (ответами на вопросы), позволяющей решать поставленную задачу.
Зна?ние (предмета) — уверенное понимание предмета, умение обращаться с ним, разбираться в нём, а также использовать для достижения намеченных целей.
Зна?ние — в теории искусственного интеллекта и экспертных систем — совокупность информации и правил вывода (у индивидуума, общества или системы ИИ) о мире, свойствах объектов, закономерностях процессов и явлений, а также правилах использования их для принятия решений. Главное отличие знаний от данных состоит в их структурности и активности, появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений.
3на?ния фиксируются в образах и знаках естественных и искусственных языков. Знание противоположно незнанию (отсутствию проверенной информации о чём-либо).
3. Определение искусственного интеллекта. Основные этапы развития научной области ИИ.
==========================================================================================
Иску?сственный интелле?кт (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами
роцитированное в преамбуле определение искусственного интеллекта, данное Джоном Маккарти в 1956 году на конференции в Дартмутском университете, не связано напрямую с пониманием интеллекта у человека. Согласно Маккарти, ИИ-исследователи вольны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем[1].
Поясняя своё определение, Джон Маккарти указывает: «Проблема состоит в том, что пока мы не можем в целом определить, какие вычислительные процедуры мы хотим называть интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не понимаем остальные. Поэтому под интеллектом в пределах этой науки понимается только вычислительная составляющая способности достигать целей в мире»[1].
В то же время существует и точка зрения, согласно которой интеллект может быть только биологическим феноменом[2].
Как указывает председатель Петербургского отделения Российской ассоциации искусственного интеллекта Т. А. Гаврилова, в английском языке словосочетание artificial intelligence не имеет той слегка фантастической антропоморфной окраски, которую оно приобрело в довольно неудачном русском переводе. Слово intelligence означает «умение рассуждать разумно», а вовсе не «интеллект», для которого есть английский аналог intellect[3].
Участники Российской ассоциации искусственного интеллекта дают следующие определения искусственного интеллекта:
Научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными[4].
Свойство интеллектуальных систем выполнять функции (творческие), которые традиционно считаются прерогативой человека. При этом интеллектуальная система — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс, позволяющий вести общение с ЭВМ без специальных программ для ввода данных[4].
Наука под названием «Искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на её основе технологии к информационным технологиям. Задачей этой науки является воссоздание с помощью вычислительных систем и иных искусственных устройств разумных рассуждений и действий[5].
Одно из частных определений интеллекта, общее для человека и «машины», можно сформулировать так: «Интеллект — способность системы создавать в ходе самообучения программы (в первую очередь эвристические) для решения задач определённого класса сложности и решать эти задачи»[6].
Нередко искусственным интеллектом называют и простейшую электронику, чтобы обозначить наличие датчиков и автоматический выбор режима работы. Слово искусственный в этом случае означает, что не стоит ждать от системы умения найти новый режим работы в не предусмотренной разработчиками ситуации.
3-7
3. Определение искусственного интеллекта. Основные этапы развития научной области ИИ.
4. Тест Тьюринга. Основные особенности интеллектуальной программы.
5. Обзор прикладных областей искусственного интеллекта. Основные сферы применения искусственного интеллекта.
6. Понятие СОЗ – система, основанная на знаниях. Соотношение СОЗ и интеллектуальных систем. Базы данных и базы знаний.
7. Интеллектуальные информационные системы: определение и области применения.
===========================================================================================================================
Иску́сственный интелле́кт (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.[1]
Происхождение и понимание термина «искусственный интеллект»[править | править исходный текст]
Процитированное в преамбуле определение искусственного интеллекта, данное Джоном Маккарти в 1956 году на конференции в Дартмутском университете, не связано напрямую с пониманием интеллекта у человека. Согласно Маккарти, ИИ-исследователи вольны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем[1].
Поясняя своё определение, Джон Маккарти указывает: «Проблема состоит в том, что пока мы не можем в целом определить, какие вычислительные процедуры мы хотим называть интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не понимаем остальные. Поэтому под интеллектом в пределах этой науки понимается только вычислительная составляющая способности достигать целей в мире»[1].
В то же время существует и точка зрения, согласно которой интеллект может быть только биологическим феноменом[2].
Как указывает председатель Петербургского отделения Российской ассоциации искусственного интеллекта Т. А. Гаврилова, в английском языке словосочетание artificial intelligence не имеет той слегка фантастической антропоморфной окраски, которую оно приобрело в довольно неудачном русском переводе. Слово intelligence означает «умение рассуждать разумно», а вовсе не «интеллект», для которого есть английский аналог intellect[3].
Участники Российской ассоциации искусственного интеллекта дают следующие определения искусственного интеллекта:
Научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными[4].
Свойство интеллектуальных систем выполнять функции (творческие), которые традиционно считаются прерогативой человека. При этом интеллектуальная система — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс, позволяющий вести общение с ЭВМ без специальных программ для ввода данных[4].
Наука под названием «Искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на её основе технологии к информационным технологиям. Задачей этой науки является воссоздание с помощью вычислительных систем и иных искусственных устройств разумных рассуждений и действий[5].
Одно из частных определений интеллекта, общее для человека и «машины», можно сформулировать так: «Интеллект — способность системы создавать в ходе самообучения программы (в первую очередь эвристические) для решения задач определённого класса сложности и решать эти задачи»[6].
Нередко искусственным интеллектом называют и простейшую электронику, чтобы обозначить наличие датчиков и автоматический выбор режима работы. Слово искусственный в этом случае означает, что не стоит ждать от системы умения найти новый режим работы в не предусмотренной разработчиками ситуации.
Предпосылки развития науки искусственного интеллекта[править | править исходный текст]
Основная статья: История искусственного интеллекта
История искусственного интеллекта как нового научного направления начинается в середине XX века. К этому времени уже было сформировано множество предпосылок его зарождения: среди философов давно шли споры о природе человека и процессе познания мира, нейрофизиологи и психологи разработали ряд теорий относительно работы человеческого мозга и мышления, экономисты и математики задавались вопросами оптимальных расчётов и представления знаний о мире в формализованном виде; наконец, зародился фундамент математической теории вычислений — теории алгоритмов — и были созданы первые компьютеры.
Возможности новых машин в плане скорости вычислений оказались больше человеческих, поэтому в учёном сообществе закрался вопрос: каковы границы возможностей компьютеров и достигнут ли машины уровня развития человека? В 1950 году один из пионеров в области вычислительной техники, английский учёный Алан Тьюринг, пишет статью под названием «Может ли машина мыслить?»[7], в которой описывает процедуру, с помощью которой можно будет определить момент, когда машина сравняется в плане разумности с человеком, получившую название теста Тьюринга.
История развития искусственного интеллекта в СССР и России[править | править исходный текст]
Коллежский советник Семён Николаевич Корсаков (1787—1853) ставил задачу усиления возможностей разума посредством разработки научных методов и устройств, перекликающуюся с современной концепцией искусственного интеллекта, как усилителя естественного. В 1832 году С. Н. Корсаков опубликовал описание пяти изобретённых им механических устройств, так называемых «интеллектуальных машин», для частичной механизации умственной деятельности в задачах поиска, сравнения и классификации. В конструкции своих машин Корсаков впервые в истории информатики применил перфорированные карты, игравшие у него своего рода роль баз знаний, а сами машины по существу являлись предтечами экспертных систем[8].
В СССР работы в области искусственного интеллекта начались в 1960-х годах[5]. В Московском университете и Академии наук был выполнен ряд пионерских исследований, возглавленных Вениамином Пушкиным и Д. А. Поспеловым.
В 1964 году была опубликована работа ленинградского логика Сергея Маслова «Обратный метод установления выводимости в классическом исчислении предикатов», в которой впервые предлагался метод автоматического поиска доказательства теорем в исчислении предикатов.
В 1966 году В. Ф. Турчиным был разработан язык рекурсивных функций Рефал.
До 1970-х годов в СССР все исследования ИИ велись в рамках кибернетики. По мнению Д. А. Поспелова, науки «информатика» и «кибернетика» были в это время смешаны, по причине ряда академических споров. Только в конце 1970-х в СССР начинают говорить о научном направлении «искусственный интеллект» как разделе информатики. При этом родилась и сама информатика, подчинив себе прародительницу «кибернетику». В конце 1970-х создаётся толковый словарь по искусственному интеллекту, трёхтомный справочник по искусственному интеллекту и энциклопедический словарь по информатике, в котором разделы «Кибернетика» и «Искусственный интеллект» входят наряду с другими разделами в состав информатики. Термин «информатика» в 1980-е годы получает широкое распространение, а термин «кибернетика» постепенно исчезает из обращения, сохранившись лишь в названиях тех институтов, которые возникли в эпоху «кибернетического бума» конца 1950-х — начала 1960-х годов[9]. Такой взгляд на искусственный интеллект, кибернетику и информатику разделяется не всеми. Это связано с тем, что на Западе границы данных наук несколько отличаются[10].
Подходы и направления[править | править исходный текст]
Подходы к пониманию проблемы[править | править исходный текст]
Единого ответа на вопрос, чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки.
В философии не решён вопрос о природе и статусе человеческого интеллекта. Нет и точного критерия достижения компьютерами «разумности», хотя на заре искусственного интеллекта был предложен ряд гипотез, например, тест Тьюринга или гипотеза Ньюэлла — Саймона. Поэтому, несмотря на наличие множества подходов как к пониманию задач ИИ, так и созданию интеллектуальных информационных систем, можно выделить два основных подхода к разработке ИИ[11]:
нисходящий (англ. Top-Down AI), семиотический — создание экспертных систем, баз знаний и систем логического вывода, имитирующих высокоуровневые психические процессы: мышление, рассуждение, речь, эмоции, творчество и т. д.;
восходящий (англ. Bottom-Up AI), биологический — изучение нейронных сетей и эволюционных вычислений, моделирующих интеллектуальное поведение на основе биологических элементов, а также создание соответствующих вычислительных систем, таких как нейрокомпьютер или биокомпьютер.
Последний подход, строго говоря, не относится к науке о ИИ в смысле, данном Джоном Маккарти, — их объединяет только общая конечная цель.
Тест Тьюринга и интуитивный подход[править | править исходный текст]
Основная статья: Тест Тьюринга
Human Behaviour.png
Эмпирический тест был предложен Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence)[12], опубликованной в 1950 году в философском журнале «Mind». Целью данного теста является определение возможности искусственного мышления, близкого к человеческому.
Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». Все участники теста не видят друг друга.
Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).
Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. А Дейта из «Звёздного пути», будучи способным к коммуникации и научению, мечтает обрести эмоции и интуицию.
Однако последний подход вряд ли выдерживает критику при более детальном рассмотрении. К примеру, несложно создать механизм, который будет оценивать некоторые параметры внешней или внутренней среды и реагировать на их неблагоприятные значения. Про такую систему можно сказать, что у неё есть чувства («боль» — реакция на срабатывание датчика удара, «голод» — реакция на низкий заряд аккумулятора, и т. п.). А кластеры, создаваемые картами Кохонена, и многие другие продукты «интеллектуальных» систем можно рассматривать как вид творчества.
Символьный подход[править | править исходный текст]
Основная статья: Символьные вычисления
Исторически символьный подход был первым в эпоху цифровых машин, так как именно после создания Лисп, первого языка символьных вычислений, у его автора возникла уверенность в возможности практически приступить к реализации этими средствами интеллекта. Символьный подход позволяет оперировать слабоформализованными представлениями и их смыслами.
Успешность и эффективность решения новых задач зависит от умения выделять только существенную информацию, что требует гибкости в методах абстрагирования. Тогда как обычная программа устанавливает один свой способ интерпретации данных, из-за чего её работа и выглядит предвзятой и чисто механической. Интеллектуальную задачу в этом случае решает только человек, аналитик или программист, не умея доверить этого машине. В результате создается единственная модель абстрагирования, система конструктивных сущностей и алгоритмов. А гибкость и универсальность выливается в значительные затраты ресурсов для не типичных задач, то есть система от интеллекта возвращается к грубой силе.
Основная особенность символьных вычислений — создание новых правил в процессе выполнения программы. Тогда как возможности не интеллектуальных систем завершаются как раз перед способностью хотя бы обозначать вновь возникающие трудности. Тем более эти трудности не решаются и наконец компьютер не совершенствует такие способности самостоятельно.
Недостатком символьного подхода является то, что такие открытые возможности воспринимаются не подготовленными людьми как отсутствие инструментов. Эту, скорее культурную проблему, отчасти решает логическое программирование.
Логический подход[править | править исходный текст]
Основная статья: Логическое программирование
Логический подход к созданию систем искусственного интеллекта основан на моделировании рассуждений. Теоретической основой служит логика.
Логический подход может быть проиллюстрирован применением для этих целей языка и системы логического программирования Пролог. Программы, записанные на языке Пролог, представляют наборы фактов и правил логического вывода без жесткого задания алгоритма как последовательности действий, приводящих к необходимому результату.
Агентно-ориентированный подход[править | править исходный текст]
Основная статья: Агентно-ориентированный подход
Pathfinding 2D Illustration.svg
Последний подход, развиваемый с начала 1990-х годов, называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков, и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.
Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно тщательнее изучаются алгоритмы поиска пути и принятия решений.
Гибридный подход[править | править исходный текст]
Основная статья: Гибридный подход
Гибридный подход предполагает, что только синергетическая комбинация нейронных и символьных моделей достигает полного спектра когнитивных и вычислительных возможностей. Например, экспертные правила умозаключений могут генерироваться нейронными сетями, а порождающие правила получают с помощью статистического обучения. Сторонники данного подхода считают, что гибридные информационные системы будут значительно более сильными, чем сумма различных концепций по отдельности.
Модели и методы исследований[править | править исходный текст]
Символьное моделирование мыслительных процессов[править | править исходный текст]
Основная статья: Моделирование рассуждений
Анализируя историю ИИ, можно выделить такое обширное направление как моделирование рассуждений. Долгие годы развитие этой науки двигалось именно по этому пути, и теперь это одна из самых развитых областей в современном ИИ. Моделирование рассуждений подразумевает создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована, то есть переведена в математическую форму, но либо не имеет алгоритма решения, либо он слишком сложен, трудоёмок и т. п. В это направление входят: доказательство теорем, принятие решений и теория игр, планирование и диспетчеризация, прогнозирование.
Работа с естественными языками[править | править исходный текст]
Основная статья: Обработка естественного языка
Немаловажным направлением является обработка естественного языка[13], в рамках которого проводится анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке. В рамках этого направления ставится цель такой обработки естественного языка, которая была бы в состоянии приобрести знание самостоятельно, читая существующий текст, доступный по Интернету. Некоторые прямые применения обработки естественного языка включают информационный поиск (в том числе, глубокий анализ текста) и машинный перевод[14].
Представление и использование знаний[править | править исходный текст]
Основная статья: Инженерия знаний
Основная статья: Представление знаний
Направление инженерия знаний объединяет задачи получения знаний из простой информации, их систематизации и использования. Это направление исторически связано с созданием экспертных систем — программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.
Производство знаний из данных — одна из базовых проблем интеллектуального анализа данных. Существуют различные подходы к решению этой проблемы, в том числе — на основе нейросетевой технологии[15], использующие процедуры вербализации нейронных сетей.
Машинное обучение[править | править исходный текст]
Основная статья: Машинное обучение
Проблематика машинного обучения[16] касается процесса самостоятельного получения знаний интеллектуальной системой в процессе её работы. Это направление было центральным с самого начала развития ИИ[17]. В 1956 году, на Дартмундской летней конференции, Рей Соломонофф написал отчёт о вероятностной машине, обучающейся без учителя, назвав её: «Индуктивная машина вывода»[18].
Обучение без учителя — позволяет распознать образы во входном потоке. Обучение с учителем включает также классификацию и регрессионный анализ. Классификация используется, чтобы определить, к какой категории принадлежит образ. Регрессионный анализ используется, чтобы в рядах числовых примеров входа/выхода и обнаружить непрерывную функцию, на основании которой можно было бы прогнозировать выход. При обучении агент вознаграждается за хорошие ответы и наказывается за плохие. Они могут быть проанализированы с точки зрения теории решений, используя такие понятия как полезность. Математический анализ машинных алгоритмов изучения — это раздел теоретической информатики, известный как вычислительная теория обучения (англ. Computational learning theory).
К области машинного обучения относится большой класс задач на распознавание образов. Например, это распознавание символов, рукописного текста, речи, анализ текстов. Многие задачи успешно решаются с помощью биологического моделирования (см. след. пункт). Особо стоит упомянуть компьютерное зрение, которое связано ещё и с робототехникой.
Биологическое моделирование искусственного интеллекта[править | править исходный текст]
Основная статья: Квазибиологическая парадигма
Отличается от понимания искусственного интеллекта по Джону Маккарти, когда исходят из положения о том, что искусственные системы не обязаны повторять в своей структуре и функционировании структуру и протекающие в ней процессы, присущие биологическим системам. Сторонники данного подхода считают, что феномены человеческого поведения, его способность к обучению и адаптации есть следствие именно биологической структуры и особенностей её функционирования.
Сюда можно отнести несколько направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы — агента, взаимодействующей с внешней средой, называется агентным подходом.
Робототехника[править | править исходный текст]
Основная статья: Интеллектуальная робототехника
См. также: Робототехника
Области робототехники[19] и искусственного интеллекта тесно связаны друг с другом. Интегрирование этих двух наук, создание интеллектуальных роботов составляют ещё одно направление ИИ. Интеллектуальность требуется роботам, чтобы манипулировать объектами[20], выполнять навигацию с проблемами локализации (определять местонахождение, изучать ближайшие области) и планировать движение (как добраться до цели)[21]. Примером интеллектуальной робототехники могут служить игрушки-роботы Pleo, AIBO, QRIO.
Машинное творчество[править | править исходный текст]
Основная статья: Машинное творчество
Природа человеческого творчества ещё менее изучена, чем природа интеллекта. Тем не менее, эта область существует, и здесь поставлены проблемы написания компьютером музыки, литературных произведений (часто — стихов или сказок), художественное творчество. Создание реалистичных образов широко используется в кино и индустрии игр.
Отдельно выделяется изучение проблем технического творчества систем искусственного интеллекта. Теория решения изобретательских задач, предложенная в 1946 году Г. С. Альтшуллером, положила начало таким исследованиям.
Добавление данной возможности к любой интеллектуальной системе позволяет весьма наглядно продемонстрировать, что именно система воспринимает и как это понимает. Добавлением шума вместо недостающей информации или фильтрация шума имеющимися в системе знаниями производит из абстрактных знаний конкретные образы, легко воспринимаемые человеком, особенно это полезно для интуитивных и малоценных знаний, проверка которых в формальном виде требует значительных умственных усилий.
Другие области исследований[править | править исходный текст]
Наконец, существует масса приложений искусственного интеллекта, каждое из которых образует почти самостоятельное направление. В качестве примеров можно привести программирование интеллекта в компьютерных играх, нелинейное управление, интеллектуальные системы информационной безопасности.
Можно заметить, что многие области исследований пересекаются. Это свойственно для любой науки. Но в искусственном интеллекте взаимосвязь между, казалось бы, различными направлениями выражена особенно сильно, и это связано с философским спором о сильном и слабом ИИ.
Современный искусственный интеллект[править | править исходный текст]
ASIMO — Интеллектуальный гуманоидный робот фирмы Honda
Можно выделить два направления развития ИИ:
решение проблем, связанных с приближением специализированных систем ИИ к возможностям человека, и их интеграции, которая реализована природой человека (см. Усиление интеллекта);
создание искусственного разума, представляющего интеграцию уже созданных систем ИИ в единую систему, способную решать проблемы человечества (см. Сильный и слабый искусственный интеллект).
Но в настоящий момент в области искусственного интеллекта наблюдается вовлечение многих предметных областей, имеющих скорее практическое отношение к ИИ, а не фундаментальное. Многие подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа пока так и не подошла. Ниже представлены лишь некоторые наиболее известные разработки в области ИИ.
Применение[править | править исходный текст]
Турнир RoboCup
Некоторые из самых известных ИИ-систем:
Deep Blue — победил чемпиона мира по шахматам. Матч Каспаров против суперЭВМ не принёс удовлетворения ни компьютерщикам, ни шахматистам, и система не была признана Каспаровым (подробнее см. Человек против компьютера). Затем линия суперкомпьютеров IBM проявилась в проектах brute force BluGene (молекулярное моделирование) и моделирование системы пирамидальных клеток в швейцарском центре Blue Brain[22].
Watson — перспективная разработка IBM, способная воспринимать человеческую речь и производить вероятностный поиск, с применением большого количества алгоритмов. Для демонстрации работы Watson принял участие в американской игре «Jeopardy!», аналога «Своей игры» в России, где системе удалось выиграть в обеих играх[23].
MYCIN — одна из ранних экспертных систем, которая могла диагностировать небольшой набор заболеваний, причем часто так же точно, как и доктора.
20Q — проект, основанный на идеях ИИ, по мотивам классической игры «20 вопросов». Стал очень популярен после появления в Интернете на сайте 20q.net[24].
Распознавание речи. Системы такие как ViaVoice способны обслуживать потребителей.
Роботы в ежегодном турнире RoboCup соревнуются в упрощённой форме футбола.
Банки применяют системы искусственного интеллекта (СИИ) в страховой деятельности (актуарная математика), при игре на бирже и управлении собственностью. Методы распознавания образов (включая, как более сложные и специализированные, так и нейронные сети) широко используют при оптическом и акустическом распознавании (в том числе текста и речи), медицинской диагностике, спам-фильтрах, в системах ПВО (определение целей), а также для обеспечения ряда других задач национальной безопасности.
Разработчики компьютерных игр применяют ИИ в той или иной степени проработанности. Это образует понятие «Игровой искусственный интеллект». Стандартными задачами ИИ в играх являются нахождение пути в двумерном или трёхмерном пространстве, имитация поведения боевой единицы, расчёт верной экономической стратегии и так далее.
8 Классификация ИИС.
=======================
Классификация ИИС
Экспертные системы
Собственно экспертные системы (ЭС)
Интерактивные баннеры (web + ЭС)
Вопросно-ответные системы (в некоторых источниках «системы общения»)
Интеллектуальные поисковики (например, система Старт)
Виртуальные собеседники
Виртуальные цифровые помощники
ИИС могут размещаться на каком-либо сайте, где пользователь задает системе вопросы на естественном языке (если это вопросно-ответная система) или, отвечая на вопросы системы, находит необходимую информацию (если это экспертная система). Но, как правило, ЭС в интернете выполняют рекламно-информационные функции (интерактивные баннеры), а серьёзные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так как выполняют конкретные специфические задачи.
Интеллектуальные поисковики отличаются от виртуальных собеседников тем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжимку из источников знаний (иногда достаточно большого объема), а собеседники обладают «характером», особой манерой общения (могут использовать сленг, ненормативную лексику), и их ответы должны быть предельно лаконичными (иногда даже просто в форме смайликов, если это соответствует контексту).
Для разработки ИИС раньше использовались логические языки (Пролог, Лисп и т. д.), а сейчас используются различные процедурные языки. Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. В области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема — постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.
Обеспечение работы ИИС[править | править исходный текст]
Математическое
Лингвистическое
Информационное
Семантическое
Программное
Техническое
Технологическое
Кадровое
Классификация задач, решаемых ИИС[править | править исходный текст]
Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.
Диагностика. Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.
Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.
Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов—чертёж, пояснительная записка и т.д. Основные проблемы здесь — получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.
Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.
Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.
Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.
Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.
Поддержка принятия решений. Поддержка принятия решения — это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.
В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или под-проблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.
9 Инженерия знаний. Типы решаемых задач.
10 Модели представления данных.
11 Методы представление знаний.
12 Особенности знаний и их отличие от данных. Декларативные и процедурные знания.
13 Данные в интеллектуальных информационных системах.
14. Знания в интеллектуальных информационных системах.
15. Трансформация знаний и данных при их обработке на ЭВМ.
==================================================================================
Инженерия знаний (англ. knowledge engineering) — область наук об искусственном интеллекте, связанная с разработкой экспертных систем и баз знаний. Изучает методы и средства извлечения, представления, структурирования и использования знаний.
Содержание [убрать]
1 Определения
2 Примеры
3 Принципы
4 Теории
Определения[править | править исходный текст]
Инженерия знаний (ИЗ) была определена Фейгенбаумом и МакКордак в 1983 году как:
«ИЗ — раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.»
В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например в социологии где «подопытными» являются люди, а цели исследований — понимание, как работает человеческая логика на примере взаимоотношений в обществе.
Примеры[править | править исходный текст]
Пример действия системы, базирующейся на ИЗ:
Рассмотрение задачи
Запрос к базам данных по задаче
Внесение и структурирование полученной информации (IPK модель)
Создание базы данных по структурированной информации
Тестирование полученной информации
Внесение корректировок и эволюция системы.
Будучи скорее искусством, нежели чисто инженерной задачей, ИЗ не имеет большого практического применения. Подразделом ИЗ является метаинженерия знаний, пригодная для разработки ИИ.
Принципы[править | править исходный текст]
С середины 1980-х в ИЗ появилось несколько принципов, методов и инструментов, которые облегчили процесс получения и работы со знаниями. Вот некоторые ключевые из них:
Существуют разного рода типы знаний[какие?] и для работы с ними должны использоваться конкретные методы и техника.[какие?]
Существуют различные типы экспертов и опыта.[какие?] Для работы с ними должны использоваться определенные методы и техника.[какие?]
Существуют разные способы предоставления, использования, понимания знаний[какие?] и работа с ними может помочь переосмыслить и использовать уже имеющиеся знания по-новому.
В инженерии знаний используются методы структурирования знаний для убыстрения процесса получения и работы со знаниями.
Модель данных
[править | править исходный текст]Материал из Википедии — свободной энциклопедии
В классической теории баз данных, модель данных есть формальная теория представления и обработки данных в системе управления базами данных (СУБД), которая включает, по меньшей мере, три аспекта:
1) аспект структуры: методы описания типов и логических структур данных в базе данных;
2) аспект манипуляции: методы манипулирования данными;
3) аспект целостности: методы описания и поддержки целостности базы данных.
Аспект структуры определяет, что из себя логически представляет база данных, аспект манипуляции определяет способы перехода между состояниями базы данных (то есть способы модификации данных) и способы извлечения данных из базы данных, аспект целостности определяет средства описаний корректных состояний базы данных.
Модель данных — это абстрактное, самодостаточное, логическое определение объектов, операторов и прочих элементов, в совокупности составляющих абстрактную машину доступа к данным, с которой взаимодействует пользователь. Эти объекты позволяют моделировать структуру данных, а операторы — поведение данных[1].
Каждая БД и СУБД строится на основе некоторой явной или неявной модели данных. Все СУБД, построенные на одной и той же модели данных, относят к одному типу. Например, основой реляционных СУБД является реляционная модель данных, сетевых СУБД — сетевая модель данных, иерархических СУБД — иерархическая модель данных и т.д.
В литературе, статьях и в обиходной речи иногда встречается использование термина «модель данных» в смысле «схема базы данных» («модель базы данных»). Такое использование является неверным, на что указывают многие авторитетные специалисты, в том числе К. Дж. Дейт, М. Р. Когаловский, С. Д. Кузнецов. Модель данных есть теория, или инструмент моделирования, в то время как модель базы данных (схема базы данных) есть результат моделирования. По выражению К. Дейта соотношение между этими понятиями аналогично соотношению между языком программирования и конкретной программой на этом языке[1].
М. Р. Когаловский поясняет эволюцию смысла термина следующим образом. Первоначально понятие модели данных употреблялось как синоним структуры данных в конкретной базе данных. В процессе развития теории систем баз данных термин «модель данных» приобрел новое содержание. Возникла потребность в термине, который обозначал бы инструмент, а не результат моделирования, и воплощал бы, таким образом, множество всевозможных баз данных некоторого класса. Во второй половине 1970-х годов во многих публикациях, посвященных указанным проблемам, для этих целей стал использоваться все тот же термин «модель данных». В настоящее время в научной литературе термин «модель данных» трактуется в подавляющем большинстве случаев в инструментальном смысле (как инструмент моделирования)[2].
Тем не менее, длительное время термин «модель данных» использовался без формального определения. Одним из первых специалистов, который достаточно формально определил это понятие, был Э. Кодд. В статье «Модели данных в управлении базами данных»[3] он определил модель данных как комбинацию трех компонентов:
Коллекции типов объектов данных, образующих базовые строительные блоки для любой базы данных, соответствующей модели
Коллекции общих правил целостности, ограничивающих набор экземпляров тех типов объектов, которые законным образом могут появиться в любой такой базе данных
Коллекции операций, применимых к таким экземплярам объектов для выборки и других целей
Методы и формализмы
Методы и формализмы представления знаний — название раздела I.2.4 в Компьютерной классификации ACM (англ. ACM Computing Classification System).
Данная секция расположена под:
Категорией самого верхнего уровня, I Вычислительные методологии, и
Категорией второго уровня, I.2 Искусственный интеллект.
Она включает следующие темы:
фреймы и скрипты
Модальная логика
Логика первого порядка
Реляционные системы
Языки представления
Представления (процедурные и основанные на правилах)
Семантические сети
Темпоральная логика
язык Пролог
Логическое программирование
База знаний
Экспертные системы
Когнитивное моделирование
Конвергентное управление
Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в исследованиях искусственного интеллекта. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В информатике — с подбором представления конкретных и обобщённых знаний, сведений и фактов для накопления и обработки информации в ЭВМ. Главная задача в искусственном интеллекте (ИИ) — научиться хранить знания таким образом, чтобы программы могли осмысленно обрабатывать их и достигнуть тем подобия человеческого интеллекта.
Под термином «представление знаний» чаще всего подразумеваются способы представления знаний, ориентированные на автоматическую обработку современными компьютерами, и, в частности, представления, состоящие из явных объектов ('класс всех слонов', 'Клайд — индивид') и из суждений или утверждений о них ('Клайд — слон', 'все слоны серые'). Представление знаний в подобной явной форме позволяет компьютерам делать дедуктивные выводы из ранее сохранённого знания ('Клайд — серый').
Представление знаний в ИИ[править | править исходный текст]
Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы, как фреймы, правила вывода и семантические сети пришли в ИИ из теорий обработки информации человеком. Поскольку знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание знания из знаний.
Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ:
Как люди представляют знания?
Какова природа знаний и как мы их представляем?
Должна ли схема представления связываться с частной областью знаний, или она должна быть общецелевой?
Насколько выразительна данная схема представления?
Должна ли быть схема декларативной или процедурной?
Было очень немного скрупулёзного, нисходящего обсуждения вопросов представления знаний, и исследования в данной области так по сути и не продвинулись за последние годы. Есть хорошо известные проблемы, такие как «spreading activation» (задача навигации в сети узлов), категоризация (это связано с выборочным наследованием; например, вездеход можно считать специализацией (особым случаем) автомобиля, но он наследует только некоторые характеристики) и классификация. Например, помидор можно считать как фруктом, так и овощем.
Решение сложных задач часто может быть упрощено правильным выбором метода представления знаний. Опредёленный метод может сделать какую-либо область знаний легко представимой. Например, диагностическая экспертная система MYCIN использовала схему представления знаний, основанную на правилах. Неправильный выбор метода представления затрудняет обработку. В качестве аналогии можно взять вычисления в индо-арабской или римской записи. Деление в столбик проще в первом случае и сложнее во втором. Аналогично, не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми.
Различают также знания декларативные и процедурные. Первые представляют собой утверждения об объектах предметной области, их свойствах и отношениях между ними. По сути дела – это факты из предметной области, фактические знания. Процедурные знания (процедуры) описывают правила преобразования объектов предметной области. Это могут быть рецепты, алгоритмы, методики, инструкции, стратегии принятия решений. Различие между ними состоит в том, что декларативные знания – это правила связи, а процедурные знания – это правила преобразования.
Конечной целью обучения является формирование способа действий, а образ действий реализуется через умения в практической деятельности. Механизмом формирования умений является оперирование со знаниями (как декларативными, так и процедурными), проявляемое в поведении человека.
Часто используется термин метазнания.
Метазнания: знания о получении знаний, т.е. приёмы и методы познания – когнитивные умения, определяют, в том числе уровень развития личности учащегося.
Другое определение этого понятия: метазнания – описание структуры любого знания, принципов его построения.
В искусственном интеллекте используют свое определение: метазнания – знания экспертной системы о собственном функционировании и процессах построения логических выводов.
3нания могут быть:
донаучными;
житейскими;
художественными (как специфический способ эстетического освоения действительности);
научными (эмпирические и теоретические).
Житейские знания, основывающиеся на здравом смысле и обыденном сознании, являются важной ориентировочной основой повседневного поведения человека. Обыденное знание формируется в повседневном опыте, на основе которого отражаются главным образом внешние стороны и связи с окружающей действительностью. Эта форма знания развивается и обогащается по мере прогресса научных знаний. В то же время сами научные знания вбирают в себя опыт житейского познания.
Научное знание представляет собой систематизированные обобщенные знания, формирование которых основано не только на опытных, эмпирических, но и на теоретических формах отражения мира и закономерностей его развития. В своих абстрактных формах научное знание не всем и не всегда доступно, поэтому оно предполагает такие изменения формы его презентации, которые обеспечивают адекватность его восприятия, понимания и усвоения, т.е. учебное знание. Таким образом, учебное знание является производным от научного и в отличие от последнего есть познание уже известного или познанного.
Научные знания, получаемые учеником, зачастую расходятся и даже противоречат житейским представлениям и понятиям в силу ограниченности или односторонности опыта, на который последний опирается. Усваивая научные понятия, имеющие строго определенное в данной научной области значение (например, понятие тела в курсе физики), учащиеся понимают их в соответствии с более узким (или более широким) житейским смыслом.
16 Информационно поисковые системы
==================================
Информационно-поисковая система (ИПС) — это cистема, обеспечивающая поиск и отбор необходимых данных в специальной базе с описаниями источников информации (индексе) на основе информационно-поискового языка и соответствующих правил поиска. Главной задачей любой ИПС является поиск информации релевантной информационным потребностям пользователя. Очень важно в результате проведенного поиска ничего не потерять, то есть найти все документы, относящиеся к запросу, и не найти ничего лишнего. Поэтому вводится качественная характеристика процедуры поиска — релевантность.
Релевантность — это соответствие результатов поиска сформулированному запросу.
Содержание[показать]
Типы ИПСПравить
КаталогПравить
Каталог — поисковая система с классифицированным по темам списком аннотаций со ссылками на web-ресурсы. Классификация, как правило, проводится людьми. Поиск в каталоге очень удобен и проводится посредством последовательного уточнения тем. Тем не менее, каталоги поддерживают возможность быстрого поиска определенной категории или страницы по ключевым словам с помощью локальной поисковой машины. База данных ссылок (индекс) каталога обычно имеет ограниченный объем, заполняется вручную персоналом каталога. Некоторые каталоги используют автоматическое обновление индекса. Результат поиска в каталоге представляется в виде списка, состоящего из краткого описания (аннотации) документов с гипертекстовой ссылкой на первоисточник. Адреса популярных каталогов:
Зарубежные каталогиПравить
Yahoo[1]
Magellan[2]
Российские каталогиПравить
@Rus[3]
Weblist[4]
Улитка[5]
Поисковая машинаПравить
Поисковая машина — поисковая система с формируемой роботом базой данных, содержащей информацию об информационных ресурсах.
Отличительной чертой Поисковая машина является тот факт, что база данных, содержащая информацию об Web-страницах, статьях Usenet и т.д., формируется программой-роботом.
Поиск в такой системе проводится по запросу, составляемому пользователем, состоящему из набора ключевых слов или фразы, заключенной в кавычки. Индекс формируется и поддерживается в актуальном состоянии роботами-индексировщиками.
В описании документа чаще всего содержится несколько первых предложений или выдержки из текста документа с выделением ключевых слов. Как правило, указана дата обновления (проверки) документа, его размер в килобайтах, некоторые системы определяют язык документа и его кодировку (для русскоязычных документов).
Зарубежные поисковые машиныПравить
Google[6]
Altavista[7]
Excite[8]
Российские поисковые машиныПравить
Яndex[9]
Рэмблер[10]
Метапоисковая машинаПравить
Метапоисковая система. Различные поисковые системы описывают разное количество источников информации в Интернет. Поэтому нельзя ограничиваться поиском только в одной из указанных поисковых системах. Теперь познакомимся с инструментами поиска, которые не формируют собственный индекс, но умеют использовать возможности других поисковых систем. Это метапоисковые системы (поисковые службы) — системы, способные послать запросы пользователя одновременно нескольким поисковым серверам, затем объединить полученные результаты и представить их пользователю в виде документа со ссылками.
Адреса известных метапоисковых системПравить
MetaCrawler[11]
SavvySearch[12]
Автоматизированные библиотечные информационные системыПравить
АБИС «Руслан»Править
АБИС «Руслан» обеспечивает автоматизацию всех основных процессов обработки литературы и обслуживания читателей в библиотеках различного профиля. Функциональность АБИС «Руслан» может наращиваться постепенно, путем добавления новых модулей без модификации или замены уже приобретенных. Это обеспечивает возможность поэтапного внедрения системы.
АБИС «Руслан» делает возможным создание электронных библиотек полнотекстовых ресурсов, обеспечивает создание в короткие сроки библиотечных консорциумов и вовлечение в их деятельность отдельных библиотек. Система поддерживает возможность кооперации в режиме он-лайн со всеми библиотеками, использующими эту систему для выполнения операций каталогизации заимствованием (при вводе новых поступлений и проведении ретро-конверсии), для поиска и заказа документов.
АБИС «Руслан» не имеет ограничений на количество подключенных АРМов, на количество одновременно работающих пользователей, на количество библиотечных баз данных, на количество записей в БД.
Общие принципы организации системыПравить
Открытые стандарты — применение стандартных протоколов взаимодействия и форматов данных (стандарты ISO, рекомендации национального уровня, стандарты де-факто).
Распределенная среда — возможность работы системы в любой сетевой среде — локальной, корпоративной или глобальной сети в зависимости от решаемых системой задач.
Интернет/Интранет и Web технологии — использование Интернет в качестве транспортной среды, а также реализация доступа пользователей через Web браузер.
Многоуровневая архитектура «клиент-сервер» — система состоит из СУБД, сервера приложений (сервер «Руслан») и клиентской части (АРМы).
Особенности системыПравить
Открытость — система поддерживает взаимодействие с внешними библиотеками и ресурсными центрами по протоколу Z39.50, причем эти возможности встроены в АРМы, т.е. не требуют дополнительных операций и дополнительных компонентов для установления связей в внешними источниками данных.
Каталогизация заимствованием — эффективное средство повышения качества работы библиотеки. При поступлении книги в библиотеку имеется возможность найти ее описание в авторитетных внешних источниках, например, в текущей государственной библиографии на сервере Российской книжной палаты[13] (ежедневно пополняемой). Вы можете выполнять одновременный поиск сразу на нескольких серверах Z39.50. После чего запись редактируется и добавляется в электронный каталог.
Поддержка UNICODE — можно использовать несколько языков при создании библиографического описания. Поддерживаются любые языки, в том числе национальные языки России (татарский, башкирский, чувашский и др).
Удаленная работа читателя — читатель может выполнять поиск и заказ документов через любой компьютер, подключенный к Интернет.
Удаленная работа сотрудника — поддерживаются решения для многофилиальных библиотек, когда операции комплектования/каталогизации и книговыдачи могут выполняться в удаленных филиалах (другое здание, другой город, другой провайдер Интернет) с размещением всех данных в центральном хранилище сервера «Руслан».
Гибкость и адаптивность — обеспечивается настройка на особенности библиотеки без изменения программного кода, используя механизмы шаблонов, конфигурационные файлы и параметры системы.
АБИС GreenstoneПравить
Greenstone — эффективное Open Source-решение для построения цифровых библиотек (ЦБ). Система обеспечивает поиск с предварительным индексированием по документам всех популярных форматов и, прежде всего doc и pdf, которые могут быть представлены в заархивированном виде. Система создает каталог документов, конвертирует их в xml-формат, а затем обеспечивает отдаленный доступ к библиотеке посредством браузера. Greenstone — комплексная система для построения и распространения коллекций ЦБ. Она обеспечивает способ организации и публикации информации в Интернете (или на CD-дисках). Следовательно, система Greenstone может решить задачу сохранения и извлечения в электронном виде периодических изданий и удовлетворить потребность научных работников в получении информации о периодическом издании, выпуске периодического издания или публикации. ПО Greenstone разработано на факультете компьютерных наук университета Вайкато в Новой Зеландии в рамках проекта по созданию цифровых библиотек. Руководитель проекта — Ян Виттен (Ian H. Witten). Разработка проводилась при содействии ЮНЕСКО и неправительственной организации Human info[14]. Распространяется с ноября 2000 года. В настоящее время Greenstone постоянно дорабатывается. Программа свободно доступна на сайте Greenstone[15] и отвечает условиям GNU. Существует две версии Greenstone — локальная и сетевая. Система работает на платформах Windows и Unix с использованием стандартных Web-серверов. В настоящее время Greenstone широко используется многими организациями разных стран. На упомянутом выше сайте имеются ссылки на более чем 20 коллекций цифровых библиотек Greenstone. ПО Greenstone предоставляет возможности:
создавать коллекции электронных документов;
детально определять документы в зависимости от метаданных;
сохранять десятки Гб текста и связанных с ним изображений;
осуществлять полнотекстовый поиск, а также поиск и просмотр документов по полям метаданных;
документы, которые вносятся в коллекцию, и их метаданные могут иметь разные форматы;
осуществлять обработку документов на каком-либо языке и поддерживать многоязычный интерфейс пользователя;
организовывать и публиковать информацию в Интернете или на компакт-дисках;
использовать стандартные и нестандартные метаданные для описания содержания документов.
Структуризация содержания обычных документов на части, главы, разделы и т.д. представляется в документах Greenstone в виде иерархической структуры разделов Greenstone. Структура документа может использоваться при формировании поисковых индексов. Если входные документы не имеют структуры, то в коллекции Greenstone они могут быть представлены в виде последовательности страниц, что позволяет просматривать документы постранично.
В системе используется набор символов UNICODE. В связи с этим и документы, и внешний интерфейс могут представляться на разных языках. В этом смысле система Greenstone является многоязычной. Кроме того, систему легко расширить новым языком интерфейса, путем добавления соответствующих названий и описаний элементов интерфейса на желаемом языке в файлы конфигурации.
ИРБИСПравить
Система автоматизации библиотек ИРБИС представляет собой типовое интегрированное решение для автоматизации библиотечных технологий и предназначена для использования в условиях библиотек любого типа и профиля. Она ориентирована на работу в локальных вычислительных сетях любого типа без ограничения количества пользователей. Система полностью совместима с международными форматами UNIMARC и USMARC на основе средств двухсторонней конверсии данных, а также поддерживает Российский коммуникативный формат RUSMARC.
ИРБИС позволяет создавать и поддерживать любое количество баз данных, составляющих Электронный каталог (ЭК) или представляющих собой проблемно-ориентированные библиографические базы данных (БД). Система предлагает технологию автоматического формирования словарей, на основе которых реализуется быстрый поиск по любым элементам описания и их сочетаниям. Средства каталогизации позволяют обрабатывать и описывать любые виды изданий, включая нетрадиционные, такие как аудио- и видеоматериалы, компьютерные программы и файлы, картографические материалы, ноты и т.д.
ИРБИС включает технологии, ориентированные на использование штрих-кодов на экземплярах изданий и читательских билетах, включает средства, которые позволяют использовать в качестве иллюстративного материала любые внешние по отношению к библиографическому документу объекты, такие как полные тексты, графика, таблицы, аудио- и видеоматериалы, а также ресурсы сети Интернет. В системе предусмотрены средства, позволяющие вводить и отображать символы, не входящие в стандартный (выбранный) кодовый набор, в частности, диакриты европейских языков, греческие буквы и другие специальные символы. Система предлагает большой набор сервисных средств, обеспечивающих удобство и наглядность пользовательских интерфейсов, упрощающих процесс ввода, исключающих ошибки и дублирование информации.
Система является в достаточной мере открытой, что позволяет пользователю самостоятельно вносить изменения в широких пределах: от изменения входных и выходных форм до разработки оригинальных приложений.
Вопрос 17-20 Экспертные системы. Краткая характеристика. Общие задачи.
Архитектура типовой экспертной системы.
Классификация экспертных систем.
Выбор задачи экспертной системы. Исследовательский цикл разработки.
=======================================================================
Экспертная система —
В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.
Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются как в системных программах так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС — отсутствие базы знаний — все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.
Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).
В настоящее время «классическая» концепция экспертных систем, сложившаяся в 70-80 годах прошлого века, переживает серьезный кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях полностью вытеснен графическим (GUI). Кроме того, «классический» подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем. Все приводимые в литературных и интернет-источниках примеры «известных» или «распространенных» экспертных систем на самом деле относятся к 80-м годам прошлого столетия и в настоящее время давно не существуют, либо безнадежно устарели и поддерживаются лишь немногочисленными энтузиастами. С другой стороны, нередко в качестве маркетингового хода экспертными системами объявляются современные программные продукты, в «классическом» понимании таковыми не являющиеся (например,компьютерные справочно-правовые системы). Предпринимаемые энтузиастами попытки объединить «классические» подходы к разработке экспертных систем с современными подходами к построению пользовательского интерфейса (проекты CLIPS Java Native Interface, CLIPS.NET и др.) не находят поддержки среди крупных компаний-производителей программного обеспечения и по этой причине остаются пока в экспериментальной стадии.
Структура ЭС интеллектуальных систем
• Пользователь
• Интеллектуальный редактор базы знаний
• Эксперт
• Инженер по знаниям
• Рабочая (оперативная) память
• База знаний
• Решатель (механизм вывода)
• Подсистема объяснений
Классификация ЭС по решаемой задаче
• Интерпретация данных
• Диагностирование
• Мониторинг
• Проектирование
• Прогнозирование
• Сводное Планирование
• Оптимизация
• Обучение
• Управление
• Ремонт
• Отладка
Классификация ЭС по связи с реальным временем
• Статические ЭС — это ЭС, решающие задачи в условиях не изменяющихся во времени исходных данных и знаний.
• Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.
• Динамические ЭС — это ЭС, решающие задачи в условиях изменяющихся во времени исходных данных и знаний.
Этапы разработки ЭС
• Этап идентификации проблем — определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.
• Этап извлечения знаний — проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.
• Этап структурирования знаний — выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.
• Этап формализации — осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.
• Реализация ЭС — создается один или несколько прототипов ЭС, решающие требуемые задачи.
• Этап тестирования — производится оценка выбранного способа представления знаний в ЭС в целом.
22 Объяснения и прозрачность при поиске на основе цели.
=========================================================
Объяснения и прозрачность при рассуждениях на основе цели
Продукционная система осуществляет поиск на графе. Программы подсистемы объяснений отслеживают процесс поиска на графе и используют эту информацию, чтобы отвечать на вопросы пользователя. С помощью продукционных правил каждый шаг процесса рассуждений документируется автоматически.
Обычно экспертные системы, основанные на правилах, отвечают на два вопроса — "почему?" и "как?". Вопрос "почему?" возникает, когда программа запрашивает информацию у пользователя, и его ответ означает "почему вы запрашиваете эту информацию?". Ответом является текущее правило, которое система пытается активизировать. Ответом на вопрос "как вы получили этот результат?" является последовательность правил, использованных для достижения цели.
Предположим, автомобильная экспертная система имеет средства объяснения, и в процессе работы достигла стадии, представленной конфигурацией рабочей памяти на рис.В. Приведенный ниже диалог начинается с вопроса компьютера к пользователю о целях, представленных в рабочей памяти. Ответы пользователя выделены жирным шрифтом.
в баке есть топливо?
да
топливо поступает в карбюратор?
да
двигатель вращается?
почему
Здесь пользователь задает вопрос: "Почему вы хотите знать, вращается ли двигатель?". Система отвечает с помощью символьного представления правила, к которому относится вопрос.
Было установлено, что:
топливо поступает в двигатель,
поэтому если
двигатель вращается,
то проблема в свечах зажигания.
Поскольку пользователь на первые два вопроса ответил "да", это дало возможность активизировать правило 1 и проверить его первую предпосылку. Отметим, что объяснением поведения системы является только вывод правила, которое находится в рассмотрении на данный момент. Однако это обеспечивает адекватное объяснение причин, почему программа хочет знать, вращается ли двигатель. В ответ на вопрос "почему" система отмечает, что, по ее данным, топливо поступает в двигатель. Предположим, пользователь далее спрашивает:
как топливо поступает в двигатель?
Ответом является последовательность рассуждений, приведшая к этому заключению. Она восстанавливается обратным проходом от цели вдоль соответствующих правил до информации, введенной пользователем.
Из правила 4 следует:
если
в баке есть топливо и
топливо поступает в карбюратор,
то
топливо поступает в двигатель.
в баке есть топливо — указано пользователем
топливо поступает в карбюратор — указано пользователем
Таким образом, архитектура продукционной системы обеспечивает основу для этих объяснений. В каждом цикле управления выбирается и активизируется новое правило. После каждого цикла программа может быть остановлена и проинспектирована. Поскольку каждое правило представляет "глыбу" знаний по решению проблемы, текущее правило обеспечивает контекст для объяснения. Этим продукционный подход отличается от более традиционных архитектур: если программу на С или С++ остановить во время исполнения, то вряд ли текущее выражение будет иметь много смысла.
Итак, система, основанная на знаниях, отвечает на вопросы "почему?", отображая текущее правило, которое она пытается активизировать. В ответ на вопросы "как?" она предоставляет последовательность рассуждений, которая привела к цели. Хотя эти механизмы являются концептуально простыми, они обладают хорошими возможностями объяснений, если база знаний организована логически грамотно. Если объяснения должны быть логичными, важно не только, чтобы база знаний выдавала корректный ответ, но и чтобы каждое правило соответствовало одному шагу процесса решения проблемы. Если в одном правиле базы знаний заключено несколько шагов или правила сформулированы произвольным образом, получить правильные ответы на вопросы "как?" и "почему?" будет сложнее. Это не только подрывает доверие пользователя к системе, но и делает программу более трудной для понимания и модификации разработчиками.
23-25 ВОПРОСЫ
23. Прямой логический вывод в продукционных ЭС на основе правила Modus Ponens.
24. Обратный логический вывод в продукционных ЭС на основе правила Modus Ponens.
25. Обратный логический вывод в системе логического программирования Пролог (на основе обобщенного правила Modus Ponens).
=============================================================================================================================
Продукционные системы. Управление выводом в продукционных системах.
(Конспект)
Основные определения
В самом общем виде продукционная система задается с помощью совокупности правил следующего вида:
Если S1, то R1, иначе…
…
Если Sn, то Rm,
где:
S – описание некоторой ситуации,
R – совокупность действий, которые должны быть выполнены в этой ситуации.
Левая часть правила называется антецедентом (LHS – Left Hands Side), правая – консеквентом (RHS – Right Hands Side).
Продукционная система обеспечивает управление процессом решения задачи на основе сопоставления с образцом. Структурно система состоит из набора продукционных правил, рабочей памяти и цикла управления "распознавание-действие".
Набор продукционных правил (production rule) или продукций (productions).
Продукция – это пара "условие-действие", которая определяет одну порцию знаний, необходимых для решения задачи.
Условная часть правила – это образец (шаблон), который определяет, когда это правило может быть применено для решения какого-либо этапа задачи.
Часть действия – определяет соответствующий шаг решения задачи.
Рабочая память (working memory) – содержит описание текущего состояния мира в процессе рассуждений. Это описание является образцом, который сопоставляется с условной частью продукции с целью выбора соответствующих действий при решении задачи. Если условие некоторого правила соответствует содержимому рабочей памяти, то может выполняться действие, связанное с этим условием. Действия продукционных правил предназначены для изменения содержания рабочей памяти.
Конфликтное множество (conflict set) или агенда – совокупность правил, готовых к выполнению.
Логический вывод в продукционных системах
Существуют два основных метода вывода в продукционных системах: прямой и обратный.
При обратном выводе система начинает решение с попытки определить значение целевой переменной. Для этого просматривается набор правил и ищется правило, с помощью которого можно достичь требуемой цели (присвоить целевой переменной конкретное значение). После того, как такое правило будет найдено, проверяется истинность его антецедента. Предикаты, содержащиеся в посылках, становятся текущей целью (подцелью) и вывод продолжается рекурсивно. Обратный вывод использовался в языке "Prolog".
При использовании прямого вывода обработка выполняется от посылок к заключению. По этому алгоритму работает интерпретатор машины логических выводов (МЛВ).
Алгоритм сопоставления с образцами
Процедура сопоставления сопоставляет условия (предикаты), содержащиеся в антецеденте правил в базе знаний (БЗ) с фактами, хранящимися в базе данных (БД) (см. рис).
Правила, для которых сопоставление прошло успешно, помещаются в агенду (конфликтное множество – КМ). Далее на основе правил разрешения конфликтов (ПРК) выбирается одно активизируемое правило (АП). Это правило срабатывает, в результате чего в БД добавляются новые факты, и цикл работы МЛВ повторяется.
Ряд стратегий разрешения конфликтов реализованы в среде CLIPS. Известные стратегии:
1. Принцип "стопки книг". Основан на идее, что наиболее часто используемая продукция является и наиболее полезной. Правила в агенде упорядочиваются по частоте их использования в прошлом.
2. Принцип метапродукций. В систему добавляются специальные правила – метапродукции, предназначенные для организации управления в процессе выборки. Например, в MYCIN:
Если Инфекция есть pel_abc и в агенде имеются правила,
у которых в условии A упоминается gramm_r,
то продукции, у которых в A имеются ent…
следует активизировать раньше,
чем продукции, содержащиеся в A gramm_r.
Модификации продукционной модели
Продукционная модель часто дополняется определённым порядком, вводимым на множестве продукций, что упрощает механизм логического вывода. Порядок может выражаться в том, что отдельная следующая по порядку продукция может применяться только после попыток применения предшествующих ей продукций. Примерно похожее влияние на продукционную модель может оказать использование приоритетов продукций, означающее, что в первую очередь должна применяться продукция, имеющая наивысший приоритет.
Рост противоречивости продукционной модели может быть ограничен путём введения механизмов исключений и возвратов. Механизм исключений означает, что вводятся специальные правила-исключения. Их отличает большая конкретность в сравнении с обобщёнными правилами. При наличии исключения основное правило не применяется. Механизм возвратов же означает, что логический вывод может продолжаться в том случае, если на каком-то этапе вывод привёл к противоречию. Просто необходимо отказаться от одного из принятых ранее утверждений и осуществить возврат к предыдущему состоянию.
Общие достоинства продукционных систем
1. Модульность организации знаний.
2. Независимость правил, выражающих самостоятельные фрагменты знаний.
3. Простота и естественность модификаций знаний в БЗ.
4. Отделение предметных знаний от управляющих, что позволяет применять различные управляющие стратегии и создавать общие управляющие механизмы для разных приложений.
Основной недостаток продукционных систем
Продукционная модель представления знаний обладает тем недостатком, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они могут друг другу противоречить.
26 Унификация
====================
Нет ответа
27. Метод Резолюций и его применение в ИИС
=============================================
Метод резолюции - метод доказательства теорем в теориях первого порядка, использующий правило вывода, называемое резолюцией.
Резолюция заключается в следующем : если выводимые дизъюнкты P \/ Q и ~P \/ R, где P - атомарная формула, а Q и R обозначают остальные части дизъюнктов (возможно пустые), то выводим и дизъюнкт Q \/ R, называемый резольвентой.
Цель данной курсовой работы заключается в том, что необходимо написать программы на двух языках, реализующие алгоритм проверки логического следования методом резолюции, и закрепить пройденный на лекциях материал.
Для решения поставленной цели необходимо решить следующие задачи:
1)проанализировать поставленную задачу;
2)составить алгоритм, с помощью которого будет решена задача;
)реализовать его на языке Prolog;
)реализовать алгоритм на языке Haskell.
алгоритм проверка логический резолюция
Постановка задачи
Итак, рассмотрим алгоритм проверки логического следования методом резолюции. Для начала необходимо рассмотреть принцип резолюции. Допустим, имеется множество дизъюнктов - D, которые представляют некую формулу F. Формула F противоречива тогда и только тогда, когда противоречиво множество дизъюнктов D. Если во множестве D имеется пустой дизъюнкт, то оно не выполнимо. Если в этом множестве нет пустого дизъюнкта, то проверяется возможность получения пустого дизъюнкта из него. Метод резолюции можно применить к любому множеству дизъюнктов, чтобы проверить их противоречивость.
Литеры L и ~L называются контрарными, а множество {L, ~L} - контрарной парой. Если в дизъюнкте D1 существует литера L1, контрарная литере L2 в дизъюнкте D2, то необходимо удалить литеры L1 и L2 из дизъюнктов D1 и D2 соответственно и построить дизъюнкцию оставшихся дизъюнктов. Получившийся дизъюнкт называется резольвентой.
Резолютивный вывод L из множества дизъюнктов D есть такая конечная последовательность L1, L2, ..., Lk дизъюнктов, в которой каждый Li (i=1, ..., k) или принадлежит D, или является резольвентой дизъюнктов, предшествующих Li и Lk= L. Для невыполнимого множества дизъюнктов в результате последовательного применения правила резолюций получается пустой дизъюнкт. Вывод из множества D пустого дизъюнкта называется опровержением (доказательством невыполнимости) D. Следовательно, задача курсовой работы сводится к тому, чтобы реализовать метод доказательства невыполнимости.
Рисунок 1 - Пример доказательства теоремы методом резолюции
Выбор структуры данных
Для данной темы лучше всего подходит структура - «список списков». Тогда выражение вида (A v ~C v B) & (~B v ~A v D) & (~D v C) можно записать так: [[A, ~C, B], [~B, ~A, D], [~D, C]], где квадратные скобки определяют дизъюнкт, запятые в них разделяют литеры дизъюнкта. Данная структура наиболее подходящая для этой задачи, потому что эффективна в реализации функций задачи. Например, перестановка не требует полной реконструкции структуры, необходимо только применение операций удаления, вставки, объединение дизъюнктов с такой структурой реализуется просто, при чем с учетом контрарности.
Конечно, можно использовать и другую структуру такую, как дерево, но это будет сложно и громоздко, так как количество операций зависит от количества дизъюнктов и от количества литеров в них, а представление деревьев с большим количеством ветвей сложно и расход памяти будет намного больше, чем при использовании структуры «список списков».
Формулировка алгоритма
Итак, рассмотрим этапы решения задачи.
1.Найти все возможные комбинации дизъюнктов.
Необходимо учитывать, что при проверке логического следования методом резолюции на результат влияет последовательность дизъюнктов. Цель данной работы заключается в поиске той последовательности дизъюнктов, которая в результате образует пустую резольвенту.
2.Произвести объединение дизъюнктов с учетом контрарности.
Необходима такая операция «объединения», которая будет учитывать контрарность литеров.
Если вводимая стартовая последовательность (комбинация) дизъюнктов образует пустую резольвенту, то проверка логического следования закончена с положительным результатом.
Недостаток алгоритма: если пустая резольвента найдена, а дизъюнкты были задействованы не все, то операция объединения не прекратит выполнение поиска, а продолжит свою работу. Поэтому необходимо использовать переменную, которая будет сообщать при найденной пустой резольвенте о конце работы алгоритма.
Итак, рассмотрев алгоритм решения задачи, перейдем к его реализации на языке Prolog и на языке Haskell.
28. Рассуждения на основе правил (достоинства и недостатки).
============================================================
Преимущества этого подхода сводятся к следующему.
1. Возможность использовать знания экспертов в очень простой форме. Это важно в областях, зависящих от эвристик управления сложной и/или отсутствующей информацией.
2. Правила отображаются в пространство состояний поиска. Возможности объяснения облегчают отладку программ.
3. Отделение знаний от управления упрощает разработку экспертной системы, обеспечивая итеративный процесс разработки, в котором инженер накапливает, реализует и тестирует отдельные правила.
4. В ограниченных предметных областях возможны хорошие результаты. Поскольку для интеллектуального решения задачи требуется большой объем знаний, экспертные системы ограничиваются узкими областями. Однако существует много областей, в которых разработка подобных систем оказалась чрезвычайно полезной.
5. Хорошие возможности объяснения. Хотя системы на основе правил поддерживают гибкие, проблемно-зависимые объяснения, необходимо отметить, что максимальное качество этих объяснений зависит от структуры и содержания правил. Возможности объяснения в системах, основанных на данных и на целях, сильно различаются.
Недостатки рассуждений, основанных на правилах.
1. Правила, полученные от экспертов, часто являются эвристическими по природе и не охватывают функциональных знаний или знаний, основанных на моделях.
2. Эвристические правила обычно не являются робастными и не позволяют управлять отсутствующей информацией или неожиданными значениями данных.
3. Другой особенностью правил является их неприменимость на границы области определения. В отличие от людей, системы на основе правил при столкновении с новыми проблемами обычно не способны возвратиться назад к первоначальным принципам рассуждения.
4. Объяснения применимы лишь на описательном уровне. Теоретические обоснования отсутствуют. Это связано с тем, что эвристические правила напрямую связывают симптомы с решениями и не обеспечивают более глубоких рассуждений.
5. Знания являются проблемно-зависимыми. Формализованные знания о некотором предметной области, как правило, очень специфичны и применимы только к данной области. Современные языки представления знаний не обеспечивают гибкости, присущей человеку.
29.Рассуждения на основе моделей (достоинства и недостатки).
=============================================================
Преимущества рассуждений на основе моделей сводятся к следующему.
1. Возможность использовать при решении задач функциональные и структурные знания о предметной области. Это увеличивает эффективность механизма рассуждений при решении различных задач, включая те. которые не были предусмотрены при разработке системы.
2. Механизмы рассуждений на основе моделей обычно очень эффективны. Они являются мощными и гибкими средствами решения задач, поскольку, как и люди, часто возвращаются к исходным данным при столкновении с новой проблемой.
3. Некоторые знания можно использовать в разных задачах. Системы рассуждений на основе моделей зачастую базируются на теоретических научных знаниях. Поскольку наука обычно оперирует общими теориями, такое обобщение часто расширяет возможности механизма рассуждений на основе моделей.
4. Обычно системы рассуждений, основанные на моделях, обеспечивают причинные объяснения. Таким образом пользователям можно передать более глубокое понимание причин неисправности, которое может сыграть важную образовательную роль (см. также раздел 16.2).
Недостатки рассуждений на основе моделей таковы.
1. Отсутствие экспериментального (описательного) знания предметной области. Эвристические методы, используемые при рассуждениях на основе правил, отражают важный класс экспертных оценок.
2. Необходимость точной модели предметной области. Знания из многих областей имеют строгую научную основу, которую можно использовать в рассуждениях на основе моделей. Однако во многих сферах, например, в некоторых медицинских направлениях, большинстве проблем проектирования или финансовых приложениях, хорошо определенная научная теория отсутствует. В таких случаях подходы, основанные на моделях, не могут быть использованы.
3. Высокая сложность. Рассуждения, основанные на моделях, обычно ведутся на детализированном уровне, что приводит к значительным усложнениям. Именно по этой причине эксперты в первую очередь разрабатывают эвристики.
4. Исключительные ситуации. Необычные обстоятельства, например, замыкание или взаимодействие множества неисправностей электронных компонентов, могут изменить функциональность системы таким образом, что ее трудно будет предсказать.
30. Семантические сети. Основные типы отношений в семантических сетях. Механизм наследования.
=============================================================================================
Семанти́ческая сеть — информационная модель предметной области, имеющая вид ориентированного графа, вершины которого соответствуют объектам предметной области, а дуги (рёбра) задают отношения между ними. Объектами могут быть понятия, события, свойства, процессы[1]. Таким образом, семантическая сеть является одним из способов представления знаний.
Иерархические
Наиболее часто возникает потребность в описании отношений между элементами, множествами и частями объектов. Отношение между объектом и множеством, обозначающим, что объект принадлежит этому множеству, называется отношением классификации (ISA). Говорят, что множество (класс) классифицирует свои экземпляры.[3] (пример: «Шарик является собакой» = Шарик является объектом типа собака). Иногда это отношение именуют также MemberOf, InstanceOf или подобным образом. Связь ISA предполагает, что свойства объекта наследуются от множества. Обратное к ISA отношение используется для обозначения примеров, поэтому так и называется — «Example», или по-русски «Пример». Иерархические отношения образуют древовидную структуру.
• Отношение между надмножеством и подмножеством (называется AKO — «A Kind Of», «разновидность»). (Пример: «собака является животным» = тип с именем собака является подтипом типа животные). Элемент подмножества называется гипонимом (собака), а надмножества — гиперонимом (животное), а само отношение называется отношением гипонимии. Альтернативные названия — «SubsetOf» и «Подмножество». Это отношение определяет, что каждый элемент первого множества входит и во второе (выполняется ISA для каждого элемента), а также логическую связь между самими подмножествами: что первое не больше второго и свойства первого множества наследуются вторым. Отношение АКО (Род-Вид) часто используется для навигации в информационном пространстве.
• Объект, как правило, состоит из нескольких частей, или элементов. Например, компьютер состоит из системного блока, монитора, клавиатуры, мыши и т. д. Важным отношением является HasPart, описывающее связь частей и целого — отношение меронимии. В этом случае свойства первого множества не наследуются вторым. Мероним и холоним — противоположные понятия:
o Мероним — объект, являющийся частью для другого. (Двигатель — мероним автомобиля.)
o Холоним — объект, который включает в себя другое. (Например, у дома есть крыша. Дом — холоним крыши. Компьютер — холоним монитора.)
Часто в семантических сетях требуется определить отношения синонимии и антонимии. Эти связи либо дублируются явно в самой сети, либо определяются алгоритмической составляющей.
Вспомогательные
В семантических сетях часто используются также следующие отношения [Гаврилова]:
• функциональные связи (определяемые обычно глаголами «производит», «влияет»…);
• количественные (больше, меньше, равно…);
• пространственные (далеко от, близко от, за, под, над…);
• временные (раньше, позже, в течение…);
• атрибутивные (иметь свойство, иметь значение);
• логические (И, ИЛИ, НЕ);
• лингвистические.
31-40 в обратном порядке
========================
40. Пользовательская и программная модели интерфейса.
=============================================================
Существуют три совершенно различные модели пользовательского интерфейса: модель программиста, модель пользователя и программная мо¬дель. Программист, разрабатывая пользовательский интерфейс, исходит из того, управление какими операциями ему необходимо реализовывать в пользовательском интерфейсе, и как это осуществить, не затрачивая ни существенных ресурсов компьютера, ни своих сил и времени. Его интересуют функциональность, эффективность, технологичность, внутренняя стройность и другие не связанные с удобством пользователя характеристики программного обеспечения. Именно поэтому большинство интерфейсов существующих программ вызывают, серьезные нарекания пользователей.
С точки зрения здравого смысла хорошим следует считать интерфейс, при работе с которым пользователь получает именно то, что он ожидал. Представление пользователя о функциях интерфейса можно описать в виде пользовательской модели интерфейса.
Пользовательская модель интерфейса - это совокупность обобщенных представлений конкретного пользователя или некоторой группы пользователей о процессах, происходящих во время работы программы или программной системы. Эта модель базируется на особенностях опыта конкретных пользователей, который характеризуется:
1)уровнем подготовки в предметной области разрабатываемого про¬граммного обеспечения;
2)интуитивными моделями выполнения операции в этой предметной об¬ласти;
3)уровнем подготовки в области владения компьютером;
4)устоявшимися стереотипами работы с компьютером.
Для построения пользовательской модели необходимо изучить пере¬численные выше особенности опыта предполагаемых пользователей про¬граммного обеспечения. С этой целью используют опросы, тесты и даже фиксируют последовательность действий, осуществляемых в процессе вы¬полнения некоторых операции, на пленку.
Приведение в соответствие моделей пользователя и программиста, а также построение на их базе программной модели интерфейса за¬дача нетривиальная. Причем, чем сложнее автоматизируемая предметная об¬ласть, тем сложнее оказывается построить программою модель интерфей¬са, учитывающую особенности пользовательской модели и не требующую слишком больших затрат как в процессе разработки, так и во время работы. С этой точки зрения объектные интерфейсы кажутся наиболее перспектив¬ными, так как в их основе лежит именно отображение объектов предметной области, которыми оперируют пользователи. Хотя на настоящий момент вре¬мени их реализация достаточно трудоемка.
39. понятия нечеткой логики. Нечеткие высказывания и предикаты
=============================================================
Нечеткая логика предназначена для формализации человеческих способностей к неточным или приближенным рассуждениям, которые позволяют более адекватно описывать ситуации с неопределенностью.
в нечеткой логике истинность рассуждений оценивается в некоторой степени, ни как истинное, ни как ложное. =>"возможно"
"Скорость автомобиля до-вольно высокая", "Давление в системе весьма значительное", "Высота полета самолета предельно низкая"
Исходным понятием нечеткой логики является понятие - нечеткого высказывания- называется повествовательное предложение, выражающее законченную мысль, относительно которой мы можем судить об ее истинности или ложности только с некоторой степенью уверенности.
Завтра будет пасмурная погода. - зависит от времени
3—малое число.
subaru является скоростным автомобилем.
Возможно, нам подадут горячий кофе. - зависит от времени
36. Машинное обучение на основе связей: введение, основы нейронных сетей
=============================================================
Нейронная сеть представляют собой систему соединённых и взаимодействующих между собой простых процессоров
Процесс(нейрон)-базовый элемент нейронной сети, единичный простой вычислительный процессор способный воспринимать, преобразовывать и распространять сигналы, в свою очередь объединение большого количества нейронов в одну сеть позволяет решать достаточно сложные задачи.
Нейросетевой подход свободен от модельных ограничений, он одинаково годится для линейных и сложных нелинейных задач, а также задач классификации.
нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации
1.распознавания образов,
• Оптическое распознавание символов
• Распознавание штрих-кодов
• Распознавание автомобильных номеров
• Распознавание лиц
• Распознавание речи
• Распознавание изображений
• Распознавание локальных участков земной коры, в которых находятся месторождения полезных ископаемых
• Классификация документов
дискриминантного анализа представляющий набор методов статистического анализа для решения задач распознавания образов,
Кластерный анализ (англ. cluster analysis) — многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы[1][2][3][4]. Задача кластеризации относится к статистической обработке, а также к широкому классу задач обучения без учителя.
Цели
• Понимание данных • Сжатие данных.
• Обнаружение новизны
35. Фрейм
=============================================================
Фрейм — (англ. frame — «каркас» или «рамка») — способ представления знаний в искусственном интеллекте, представляющий собой схему действий в реальной ситуации.
Применяются фреймы в экспертных системах и других интеллектуальных системах различного назначения.
Под структурой фрейма понимается способ использования схемы, типичной последовательности действий, ситуативная модификация фрейма. Фрейм, кроме всего прочего, включает определённое знание по умолчанию, которое называется презумпцией.
Фрейм отличает наличие определённой структуры.
Фрейм состоит из имени и отдельных единиц, называемых слотами. Он имеет однородную структуру:
Различают статические и динамические системы фреймов. В системах первого типа фреймы не могут быть изменены в процессе решения задачи, а в системах второго типа это допустимо.
сценарный фрейм содержит стандартную по¬следовательность событий
cценарии организуют поведение и его интерпретацию.
Это не только информационные структу¬ры, они сообщают о результатах, конечных состояниях, по которым и запо¬минаются нам, поскольку это механизмы, объясняющие достижение понима-ния с использованием накопленного ранее знания
Фрейм – визуальный образ.- визуальное восприятие. с помощью которых человек осознает зрительные образы
Структура фрейма включает три основных типа данных: понятие (название фрейма), характеристика (название терминала - вершины нижнего уровня), значение характеристики (заполнитель терминала). В этой связи можно считать, что во фрейме реализовано некоторые общие принципы, присущие организации баз данных, где как единицы выделяются объекты, характеристики и их значения,
31. Вывод в семантических сетях. Механизм наследования
=============================================================
Семантические сети – это наиболее общая модель представления знаний об окружающем интеллектуальную систему мире и способах действий в нем. В самом общем виде семантическая сеть есть множество вершин, каждая из которых соответствует определенному понятию, факту, явлению или процессу, а между вершинами заданы различные отношения, изображаемые дугами. Дуги снабжены именами или описаниями, задающими семантику отношений. Вершины также помечены именами или описаниями, содержащими нужную для понимания семантики вершины информацию.
Наследование — механизм языка, позволяющий описать новый класс на основе уже существующего (родительского, базового) класса. Класс-потомок может добавить собственные методы и свойства, а также пользоваться родительскими методами и свойствами. Позволяет строить иерархии классов.
Простое наследование
Класс, от которого произошло наследование, называется базовым или родительским (англ. base class). Классы, которые произошли от базового, называются потомками, наследниками или производными классами (англ. derived class).
В некоторых языках используются абстрактные классы. Абстрактный класс — это класс, содержащий хотя бы один абстрактный метод, он описан в программе, имеет поля, методы и не может использоваться для непосредственного создания объекта. То есть от абстрактного класса можно только наследовать. Объекты создаются только на основе производных классов, наследованных от абстрактного.
Множественное наследование
Основная статья: Множественное наследование
При множественном наследовании у класса может быть более одного предка. В этом случае класс наследует методы всех предков. Достоинства такого подхода в большей гибкости.