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 Направления использования систем искусственного интеллекта (ИТ).
2 Математические модели и аппаратно-программная реализация систем ИИ.
3 Понятие и назначение экспертной системы (ЭС). Классификация ЭС.
4 Понятие системы поддержки принятия решений (СППР).
Искусственный интеллект (ИИ) можно определить как область компьютерной науки, занимающуюся автоматизацией разумного поведения. Это определение имеет существенный недостаток, поскольку само понятие интеллекта не очень понятно и четко сформулировано. Большинство из нас увере ны, что смогут отличить "разумное поведение", когда с ним столкнутся. Однако вряд ли кто-нибудь сможет дать интеллекту определение, достаточно конкретное для оценки предположительно разумной компьютерной программы и одновременно отражающее жизнеспособность и сложность человеческого разума.
Как и большая часть наук, ИИ разбивается на множество поддисциплин, которые, разделяя основной подход к решению проблем, нашли себе различные применения. Рассмотрим некоторые из основных сфер применения этих отраслей и их вклад в искусственный интеллект вообще.
1 Ведение игр.
Игры могут порождать необычайно большие пространства состояний. Для поиска в них требуются мощные методики, определяющие, какие альтернативы следует рассматривать. Такие методики называются эвристиками и составляют значительную область исследований ИИ. Эвристика- стратегия полезная, но потенциально способная упус тить правильное решение. Примером эвристики может быть рекомендация проверять, включен ли прибор в розетку, прежде чем делать предположения о его поломке, или вы полнять рокировку в шахматной игре, чтобы попытаться уберечь короля от шаха. Боль шая часть того, что мы называем разумностью, по-видимому, опирается на эвристики, которые люди используют в решении задач.
2 Автоматические рассуждения и доказательство теорем
Благодаря исследованиям в области доказательства теорем были формализованы алгоритмы поиска и разработаны языки формальных представлений, такие как исчисление предика тов и логический язык программирования PROLOG. Привлекательность автоматического доказательства теорем основана на строгости и общности логики. В формальной системе логика располагает к автоматизации. Разнообразные проблемы можно попытаться решить, представив описание задачи и существенную относя щуюся к ней информацию в виде логических аксиом и рассматривая различные случаи задачи как теоремы, которые нужно доказать. Этот принцип лежит в основе автоматического доказа тельства теорем и систем математических обоснований
3 Экспертные системы
Одним из главных достижений ранних исследований по ИИ стало осознание важности специфичного для предметной области (domain-specific) знания. Врач, к примеру, хорошо диагностирует болезни не потому, что он располагает некими врожденными общими способно стями к решению задач, а потому, что многое знает о медицине. Точно так же геолог эффек тивно находит залежи ископаемых, потому что он способен применить богатые теоретиче ские и практические знания о геологии к текущей проблеме. Экспертное знание- это сочетание теоретического понимания проблемы и набора эвристических правил для ее решения, которые, как показывает опыт, эффективны в данной предметной области. Экспертные системы создаются с помощью заимствования знаний у человеческого эксперта и кодирова ния их в форму, которую компьютер может применить к аналогичным проблемам. Стратегии экспертных систем основаны на знаниях человека-эксперта. Хотя многие программы пишутся самими носителями знаний о предметной области, большинство экспертных систем являются плодом сотрудничества между таким экспертом, как врач, химик, геолог или инженер, и независимым специалистом по ИИ. Эксперт предоставляет необходимые знания о предметной области, описывая свои методы принятия решений и демонстрируя эти навыки на тщательно отобранных примерах. Специалист по ИИ, или инженер по знаниям (knowledge engineer), как часто называют разработчиков экспертных систем, отвечает за реализацию это го знания в программе, которая должна работать эффективно и внешне разумно. Экспертные способности программы проверяют, давая ей решать пробные задачи. Эксперт подвергает критике поведение программы, и в ее базу знаний вносятся необходимые изменения. Процесс повторяется, пока программа не достигнет требуемого уровня работоспособности.
4 Нейронные сети
Нейронные сети возникли из исследований в области искусственного интеллекта, а именно, из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Основной областью исследований по искусственному интеллекту в 60-е - 80-е годы были экспертные системы. Такие системы основывались на высокоуровневом моделировании процесса мышления (в частности, на представлении, что процесс нашего мышления построен на манипуляциях с символами). Скоро стало ясно, что подобные системы, хотя и могут принести пользу в некоторых областях, не ухватывают некоторые ключевые аспекты человеческого интеллекта. Согласно одной из точек зрения, причина этого состоит в том, что они не в состоянии воспроизвести структуру мозга. Чтобы создать искусственный интеллект, необходимо построить систему с похожей архитектурой.
5 Понимание естественных языков и семантическое моделирование
Одной из долгосрочных целей искусственного интеллекта является создание программ, способных понимать человеческий язык и строить фразы на нем. Способность применять и понимать естественный язык является фундаментальным аспектом челове ческого интеллекта, а его успешная автоматизация привела бы к неизмеримой эффектив ности самих компьютеров. Многие усилия были затрачены на написание программ, по нимающих естественный язык. Хотя такие программы и достигли успеха в ограниченных контекстах, системы, использующие натуральные языки с гибкостью и общностью, ха рактерной для человеческой речи, лежат за пределами сегодняшних методологий.
Понимание естественного языка включает куда больше, чем разбор предложений на индивидуальные части речи и поиск значений слов в словаре. Оно базируется на обширном фоновом знании о предмете беседы и идиомах, используемых в этой области, так же, как и на способности применять общее контекстуальное знание для понимания не домолвок и неясностей, присущих естественной человеческой речи.
6 Планирование и робототехника
Исследования в области планирования начались с попытки сконструировать роботов, которые бы выполняли свои задачи с некоторой степенью гибкости и способностью реагировать на окружающий мир. Планирование предполагает, что робот должен уметь вы полнять некоторые элементарные действия. Он пытается найти последовательность та ких действий, с помощью которой можно выполнить более сложную задачу, например, двигаться по комнате, заполненной препятствиями.
7 Машинное обучение
Обучение остается "крепким орешком" искусственного интеллекта. Важность обучения, тем не менее, несомненна, поскольку эта способность является одной из главных составляющих разумного поведения. Экспертная система может выполнять долгие и трудоемкие вычисления для решения проблем. Но, в отличие от человеческих существ, если дать ей такую же или подобную проблему второй раз, она не "вспомнит" решение. Она каждый раз вновь будет выполнять те же вычисления - едва ли это похоже на ра зумное поведение. Хотя обучение является трудной областью, существуют некоторые программы, которые опровергают опасения о ее неприступности. Одной из таких программ является AM - Автоматизированный Математик, разработанный для открытия математических законов [Lenat, 1977, 1982]. Отталкиваясь от заложенных в него понятий и аксиом тео рии множеств, Математику удалось вывести из них такие важные математические кон цепции, как мощность множества, целочисленная арифметика и многие результаты тео рии чисел. AM строил теоремы, модифицируя свою базу знаний, и использовал эвристи ческие методы для поиска наилучших из множества возможных альтернативных теорем. Из недавних результатов можно отметить программу Коттона [Cotton и др., 2000], кото рая изобретает "интересные" целочисленные последовательности.
Постановка и решение любой задачи всегда связаны с ее "погружением" в подходящую предметную область. Так, решая задачу составления расписания обработки деталей на металлорежущих станках, мы вовлекаем в предметную область такие объекты, как конкретные станки, детали, интервалы времени, и общие понятия "станок", "деталь", "тип станка" и т. п. Все предметы и события, которые составляют основу общего понимания необходимой для решения задачи информации, называются предметной областью. Мысленно предметная область представляется состоящей из реальных или абстрактных объектов, называемых сущностями.
Сущности предметной области находятся в определенных отношениях друг к другу (ассоциациях), которые также можно рассматривать как сущности и включать в предметную область. Между сущностями наблюдаются различные отношения подобия. Совокупность подобных сущностей составляет класс сущностей, являющийся новой сущностью предметной области.
Отношения между сущностями выражаются с помощью суждений. Суждение-это мысленно возможная ситуация, которая может иметь место для предъявляемых сущностей или не иметь места. В языке (формальном или естественном) суждениям отвечают предложения. Суждения и предложения также можно рассматривать как сущности и включать в предметную область.
Языки, предназначенные для описания предметных областей, называются языками представления знаний. Универсальным языком представления знаний является естественный язык. Однако использование естественного языка в системах машинного представления знаний наталкивается на большие трудности ввиду присущих ему нерегулярностей, двусмысленностей, и т. п. Но главное препятствие заключается в отсутствии формальной семантики естественного языка, которая имела бы достаточно эффективную операционную поддержку.
Для представления математического знания в математической логике давно пользуются логическими формализмами - главным образом исчислением предикатов, которое имеет ясную формальную семантику и операционную поддержку в том смысле, что для него разработаны механизмы вывода. Поэтому исчисление предикатов было первым логическим языком, который применили для формального описания предметных областей, связанных с решением прикладных задач.
Описания предметных областей, выполненные в логических языках, называются (формальными) логическими моделями.
Элементы нечеткой логики
Как известно, классическая логика оперирует только с двумя значениями: истина и ложь. Однако этими двумя значениями довольно сложно представить (можно, но громоздко) большое количество реальных задач. Поэтому для их решения был разработан специальный математический аппарат, называемый нечеткой логикой. Основным отличием нечеткой логики от классической, как явствует из названия, является наличие не только двух классических состояний (значений), но и промежуточных:
FÎ{0:1}
Соответственно, вводятся расширения базовых операций логического умножения, сложения и отрицания (сравните с соответствующими операциями теории вероятностей):
Как можно легко заметить, при использовании только классических состояний (ложь-0, истина-1) мы приходим с классическим законам логики.
Нечеткое логическое управление может использоваться, чтобы осуществлять разнообразные интеллектуальные функции, в самых разнообразных электронных товарах и домашних приборах, в авто электронике, в управлении производственными процессами и автоматизации.
Аппаратно-программная реализация.
Инструментарий для создания экспертных систем реального времени впервые выпустила фирма Lisp Machine Inc в 1985 году. Этот продукт предназначался для символьных ЭВМ Symbolics и носил название Picon. Его успех привел к тому, что группа ведущих его разработчиков образовала фирму Gensym, которая, значительно развив идеи, заложенные в Picon, выпустила в 1988 году инструментальное средство под названием G2.
С отставанием от Gensym на два-три года ряд других фирм начал создавать (или пытаться создавать) свои инструментальные средства. Назовем ряд из них: RT Works (фирма Talarian, США), COMDALE/C (Comdale Techn., Канада), COGSYS (SC, США), ILOG Rules (ILOG, Франция). Сравнение двух наиболее продвинутых систем, G2 и RT Works, которое проводилось путем разработки одного и того же приложения двумя организациями, NASA (США) и Storm Integration (США) , показало значительное превосходство первой.
О существовании специальных систем, которые "автоматически вводят в компьютер текст", знают даже начинающие пользователи. Со стороны все выглядит довольно просто и логично. На отсканированном изображении система находит фрагменты, в которых "узнает" буквы, а затем заменяет эти изображения настоящими буквами, или, по-другому, их машинными кодами. Так осуществляется переход от изображения текста к "настоящему" тексту, с которым можно работать в текстовом редакторе. Как этого добиться?
Компанией "Бит" была разработана специальная технология распознавания символов, которая получила название "Фонтанного преобразования" , а на ее основе - коммерческий продукт, получивший высокую оценку. Это система оптического распознавания Fine Reader. Сегодня на рынке представлена уже восьмая версия продукта, которая работает не только с текстом, но и с формами, таблицами.
Озвучивание набранного текста. Рассмотрим способы формирования звукового сигнала. Самое широкое разделение стратегий, применяемых при озвучивании речи, - это разделение на подходы, которые направлены на построение действующей модели речевоспроизводящей системы человека, и подходы, где ставится задача смоделировать акустический сигнал как таковой. Первый подход известен под названием артикуляторного синтеза. Второй подход представляется на сегодняшний день более простым, поэтому он гораздо лучше изучен и практически более успешен. Внутри него выделяется два основных направления ─ формантный синтез по правилам и компилятивный синтез.
Формантные синтезаторы используют возбуждающий сигнал, который проходит через цифровой фильтр, построенный на нескольких резонансах, похожих на резонансы голосового тракта. Разделение возбуждающего сигнала и передаточной функции голосового тракта составляет основу классической акустической теории речеобразования.
Компилятивный синтез осуществляется путем склейки нужных единиц компиляции из имеющегося инвентаря. На этом принципе построено множество систем, использующих разные типы единиц и различные методы составления инвентаря. В таких системах необходимо применять обработку сигнала для приведения частоты основного тона, энергии и длительности единиц к тем, которыми должна характеризоваться синтезируемая речь. Кроме того, требуется, чтобы алгоритм обработки сигнала сглаживал разрывы в формантной (и спектральной в целом) структуре на границах сегментов. В системах компилятивного синтеза применяются два разных типа алгоритмов обработки сигнала: LР (сокр. англ. Linear Рreduction - линейное предсказание) и РSOLA (сокр. англ. Рitch Sуnchronous Оvеrlap аnd Аdd). LP-синтез основан в значительной степени на акустической теории речеобразования, в отличие от РSOLA-синтеза, который действует путем простого разбиения звуковой волны, составляющей единицу компиляции, на временные окна и их преобразования. Алгоритмы РSOLA позволяют добиваться хорошего сохранения естественности звучания при модификации исходной звуковой волны.
В повседневной жизни мы постоянно сталкиваемся с экспертами в самых различных областях человеческой деятельности- врачи, преподаватели, референты и т.д. Имея огромный багаж знаний, касающихся предметной области, они умеют точно сформулировать и правильно решить задачу.
В течение последних десятилетий многочисленные попытки исследователей были направлены на создание систем, способных заменить специалиста в конкретной предметной области, т.е. решать задачи в отсутствии людей- экспертов.
Эти системы получили название экспертных систем .
В ходе исследований выяснилось, что среди задач, решаемых экспертами, формализованные задачи составляют лишь малую часть, в то время как основная их масса относится к числу неформализованных.
Экспертные системы отличаются и от других видов информационных систем:
В настоящее время существует несколько определений экспертных систем (их иногда называют также «инженерия знаний» или «системы, основанные на знаниях»).
Одним из наиболее популярных определений экспертной системы яв ляется следующее:
Под экспертной системой понимается система, объе диняющая возможности компьютера со знаниями и опытом эксперта в та кой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. Дополнительно желаемой харак теристикой такой системы является способность системы пояснять по требованию ход своих рас суждений в понятной для спрашивающего форме.
Приведенное определение, позволяют выделить ряд базовых структурных элементов экспертной системы.
Как и любая система, основанная на знаниях, экспертная система обя зательно содержит в своем составе базу знаний и механизм логических выво дов. Зачастую для представления фактический знаний используется отдель ный механизм - база данных, а в базе знаний остаются лишь процедурные знания. Кроме того, для ведения базы знаний и дополнения ее при необхо димости знаниями, полученными от эксперта, требуется отдельный модуль приобретения знаний.
Другим важным компонентом экспертной системы является пользова тельский интерфейс, необходимый для правильной передачи ответов пользователю в удобной для него форме. Кроме того, пользовательский интерфейс необходим и эксперту для осуществления манипуляций со зна ниями.
И наконец, в экспертной системе должен присутствовать модуль, кото рый способен при помощи механизма логического вывода, "предложить разумный совет или осуществить разумное решение поставленной зада чи", сопровождая его по требованию пользователя различными коммен тариями, поясняющими ход проведенных рассуждений. Модуль, реализу ющий эти функции, называется модулем советов и объяснений. Следует от метить, что механизм объяснений играет весьма важную роль, позволяя повысить степень доверия пользователя к полученному результату. Кроме того, он важен не только для пользователя системы, но и для эксперта, который с его помощью определяет, как работает система и как использу ются предоставленные им знания.
Базовая структура экспертной системы показана на рис.1.
Пе речисленные структурные элементы являются наиболее характерными для большинства экспертных систем, хотя в реальных условиях некоторые из них могут отсутствовать.
Экспертная система может полностью взять на себя функции, выполнение которых обычно требует привлечения опыта человека-специалиста, или играть роль ассистента для человека, принимающего решение. Другими словами, система (техническая или социальная), требующая принятия решения, может получить его непосредственно от программы или через промежуточное звено — человека, который общается с программой. Тот, кто принимает решение, может быть экспертом со своими собственными правами, и в этом случае программа может "оправдать" свое существование, повышая эффективность его работы. Альтернативный вариант — человек, работающий в сотрудничестве с такой программой, может добиться с ее помощью результатов более высокого качества. Вообще говоря, правильное распределение функций между человеком и машиной является одним из ключевых условий высокой эффективности внедрения экспертных систем.
Важность экспертных систем состоит в следующем:
Использовать ЭС следует только тогда, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче. Применение ЭС может быть оправдано одним из следующих факторов:
При разработке реальных экспертных систем в большинстве случаев используют так называемые языки искусственного интеллекта типа ЛИСП и ПРОЛОГ.
Рассмотрим различные способы классификации ЭС.
По назначению ЭС делятся на:
По степени зависимости от внешней среды выделяют:
По типу использования различают:
По сложности решаемых задач различают:
По стадии создания выделяют:
Со временем количество информации, которую необходимо обработать для принятия нужного решения, стремительно увеличивается. Рост объемов неструктурированных данных и оперативность в принятии решений выдвигают новые требования к руководителям, к бизнес-аналитикам. В связи с этим, наблюдается стремительный рост интереса компаний к программным продуктам, позволяющим работать с большими объемами информации, накопленными в учетных системах и хранилищах данных, и извлекать из них полезные сведения.
Однако организация часто не может полностью использовать возможности, предоставляемые такими инструментами. Чаще всего это связано с непониманием всех выгод и преимуществ, предоставляемых системами такого класса, с отсутствием времени на обучение персонала и на проработку всего процесса. При этом упускается из виду, что цена ошибочных решений в современных условиях чрезвычайно высока. И в условиях, когда «машина должна работать, а человек думать» (принцип IBM), человеку приходится и работать и думать.
В настоящее время нет общепринятого определения Систем поддержки принятия решений или СППР, поскольку конструкция СППР существенно зависит от вида задач, для решения которых она разрабатывается, от доступных данных, информации и знаний, а также от пользователей системы.
Системы поддержки принятия решений (СППР, Decision support systems, DSS), которые все чаще использует современный бизнес, это скоординированный набор данных, систем, инструментов и технологий, программного и аппаратного обеспечения, с помощью которого предприятие собирает и обрабатывает информацию о бизнесе и окружающей среде с целью обоснования управленческих действий.
СППР — в большинстве случаев — это автоматизированная система, которая помогает пользователю (лицу, принимающему решения; ЛПР) использовать данные и модели для идентификации и решения задач и принятия решений.
В СППР выделяют три основные части:
СППР обладает следующими четырьмя основными характеристиками:
Традиционно в качестве областей применения СППР выделяют: микроэкономику, макроэкономику, офисную деятельность, оценку и распространение технологий, юриспруденцию, медицину и другие приложения.
Вот лишь небольшой список сфер применения Систем Поддержки Принятия Решений:
Анализ каналов снабжения и распределения (логистика);
Анализ производства;
Анализ продаж;
Маркетинговый анализ;
Анализ клиентской базы;
Анализ качества сервисного обслуживания;
Финансовый анализ;
Инвестиционный анализ;
Анализ исследовательской и проектной деятельности;
Анализ персонала;
Анализ стратегии организации;
Многомерный анализ;
Прогнозирование;
Поиск закономерностей;
Управление рисками;
Сегментация клиентов/товаров/услуг;
Построение профилей потребителей;
Оценка эффективности рекламы.
Прогнозирование и планирование деятельности предприятий (от мелких фирм до крупнейших корпораций) является наиболее перспективной сферой практического применения СППР. Для решения проблем в этой сфере в состав СППР включают большой набор методов и моделей, в том числе математическое программирование, статистический анализ, теорию статистических решений и принятия решений при неопреде ленности, эвристические методы, включающие адаптивность и обуче ние при решении слабоструктурированных задач, методы теории игр и многие другие подходы.
СППР представляют собой системы, максимально приспособленные к решению задач повседневной управленческой деятельности.
Ориентация на компьютерные информационные технологии позволяет основные функции СППР реализовать аппаратно-программны ми средствами. При этом реализация автоматизированных СППР воз можна как в локальном, так и в сетевом варианте (SQL- технологии, Web- технологии).