Модели решения функциональных и вычислительных задач. Искусственный интеллект Моделирование как метод познания. Классификация и формы представления моделей. Методы и технологии моделирования. Информационная модель объекта. Направления исследований в области искусственного интеллекта. Машинный интеллект. Интеллектуальные роботы. Моделирование систем. Система знаний. Модели представления знаний: логическая, сетевая, фреймовая, продукционная. Дисциплина «Информатика» Специальность «Прикладная информатика (в экономике)» Институт информатики, инноваций и бизнес систем Кафедра информатики, инженерной и компьютерной графики Старший преподаватель Молоков К.А.

Искусственный интеллект Один из разделов информатики, в рамках которого ставятся и решаются задачи аппаратного и программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (творческими). Термин «Искусственный интеллект» предложен в 1956 году в США на семинаре, посвященном решению логических задач.

Направления развития искусственного интеллекта 1. Представление знаний и разработка систем, основанных на знаниях. Связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем. Включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний. 2. Игры и творчество. Включает игровые интеллектуальные задачи – шахматы, шашки.

1. Разработка естественно языковых интерфейсов и машинный перевод. Используется модель анализа и синтеза языковых сообщений. 2. Распознавание образов. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. 3. Новые архитектуры компьютеров. Разработка новых аппаратных решений и архитектур, направленных ан обработку символьных и логических данных.Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Направления развития искусственного интеллекта

1. Интеллектуальные роботы. 2. Специальное программное обеспечение. Разрабатываются специальные языки для решения задач не вычислительного характера (символьную обработку информации): Лисп, Пролог, Smalltalk, РЕФАЛ и др. 3. Обучение и самообучение. Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление знаний на основе анализа и обобщения данных. Включает обучение по примерам (индуктивное), а также традиционные подходы распознавания образов. Направления развития искусственного интеллекта

Данные и знания Данные – это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства. Знания основываются на данных, но представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности. Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

Модели представления знаний Продукционная модель Семантические сети Фреймы Формальные логические модели

Продукционная модель Модель, основанная на правилах, позволяет представить знания в виде предложений типа: ЕСЛИ (условие), ТО (действие) – Условие – это предложение-образец, по которому осуществляется поиск в базе знаний. – Действие – это действия, выполняемые при успешном исходе поиска.

База знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Вывод бывает: 1. Прямой – от данных к поиску цели; 2. Обратный – от цели для ее подтверждения к данным. Данные – это исходные факты, на основании которых запускается машина вывода. Продукционная модель

Имеется фрагмент базы знаний из двух правил: П1: ЕСЛИ «отдых – летом» И «человек – активный» ТО «ехать в горы» П2: ЕСЛИ «любит солнце» ТО «отдых летом» Предположим, что в систему поступили данные: «человек – активный» И «любит солнце» Продукционная модель. Пример.

Прямой вывод: исходя из данных получить ответ. 1-й проход: Шаг 1. Пробуем П1, не работает – не хватает данных «отдых–летом». Шаг 2. Пробуем П2, работает, в базу поступает факт «отдых – летом». 2-й проход: Шаг 3. Пробуем П1, работает, активирует цель «ехать в горы», которая и выступает, например, как совет, который дает система. Обратный вывод: подтвердить выбранную цель при помощи имеющихся правил и данных. 1-й проход: Шаг 1. Цель – «ехать в горы»: Пробуем П1 – данных «отдых – летом» нет, они становятся новой целью, и имеется правило, где она в правой части. Шаг 2. Цель «отдых – летом»: Правило П2 подтверждает цель и активирует ее. 2-й проход: Шаг 3. Пробуем П1, подтверждается искомая цель.

Достоинства модели: – Наиболее распространенные средства представления знаний; – Позволяют организовывать эффективные процедуры вывода; – Наглядно отражают знания. Недостатки модели: – Проявляются, когда число правил становится большим и возникают побочные эффекты от изменения старого и добавления нового правила. Продукционная модель

Программные средства, реализующие продукционный подход: – Язык OPS; – Оболочки экспертных систем EXSYS, ЭКСПЕРТ; – Инструментальные системы ПИЭС, СПЭИС. Промышленные экспертные системы на основе продукционного подхода: – ФИАКР. Продукционная модель

Семантические сети Семантическая сеть – это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними. – Понятия – абстрактные или конкретные объекты. – Отношения – это связи типа: «это», «имеет частью», «принадлежит», любит». Проблема поиска решения в базе знаний сводится к задаче поиска фрагмента сети, представляющего некоторую подсеть, соответствующую поставленному вопросу.

Семантическая сеть

Преимущества модели: – Наглядность системы знаний, представленной графически; – Соответствие современным представлениям об организации долговременной памяти человека. Недостатки модели: – Сложность поиска вывода на семантической сети. Семантические сети

Для реализации семантических сетей существуют специальные сетевые языки: – NET. Экспертные системы, использующие семантические сети в качестве языка представления знаний: – PROSPECTOR, – CASNET, – TORUS. Семантические сети

Фреймовая модель Фреймовая модель представляет собой систематизированную в виде единой теории технологическую модель памяти человека и его сознания. Фрейм – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к этому фрейму, содержится в в составляющих фрейма – слотах.

Фреймы-прототипы (фреймы-образцы) фиксируют жесткую структуру и хранятся в базе знаний: (ИМЯ ФРЕЙМА: (имя 1-го слота : значение 1-го слота), (имя 2-го слота : значение 2-го слота), …, (имя n-го слота : значение n-го слота)). Например,: (СПИСОК РАБЮОТНИКОВ: Фамилия (значение слота 1); Год рождения (значение слота 2); Специальность (значение слота 3); Стаж (значение слота 4)) Если в качестве значений слотов использовать реальные данные из таблицы, получится фрейм- экземпляр. Фреймы-экземпляры создаются для отображения реальных ситуаций на основе поступающих данных. Фреймовая модель

Достоинства модели: – Способность отражать концептуальную основу организации памяти человека; – Естественность, наглядность представления; – Модульность; – Поддержка возможности использования слотов по умолчанию. Недостатки модели: – Отсутствие механизмов управления выводом. Фреймовая модель

Специальные языки представления знаний в фреймовых сетях позволяют эффективно строить промышленные экспертные системы: – FRL (Frame Representation Language) Фреймо-ориентированные экспертные системы: – ANALYST, МОДИС. Фреймовая модель

Формальные логические модели Основная идея – вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

В основе логической модели преставления знаний лежит понятие формальной теории, задаваемое: S= B – счетное множество базовых символов (алфавит); F – множество, называемое формулами; A – выделенное подмножество априори истинных формул (аксиом); R – конечное множество отношений между формулами, называемое правилами вывода. Предметная область или задача описывается в виде набора аксиом. Формальные логические модели

Достоинства модели: – Используется аппарат математической логики, методы которой достаточно хорошо изучены; – Существуют достаточно эффективные процедуры вывода, в том числе реализованные в языке логического программирования Пролог; – В базах знаний можно хранить лишь множество аксиом, а все остальные знания получать из них по правилам вывода. Недостатки модели: – Предъявляет очень высокие требования и ограничения к предметной области, в связи с чем модель применима лишь в исследовательских системах. Формальные логические модели

Обобщение Рассмотренные модели представления знаний во многом близки между собой. По сути они обладают одинаковыми возможностями описывать и представлять знания. Разница лишь в том, насколько удобно и естественно представлять те или иные знания в виде логических формул, семантических сетей, фреймов или продукций.

Выводы Выбор конкретной модели знаний определяется возможностью и удобством представления исследуемой проблемной области с учетом необходимости не только представления, но и использования знаний. Наиболее мощными являются смешанные представления знаний.

Использование материалов презентации Использование данной презентации, может осуществляться только при условии соблюдения требований законов РФ об авторском праве и интеллектуальной собственности, а также с учетом требований настоящего Заявления. Презентация является собственностью авторов. Разрешается распечатывать копию любой части презентации для личного некоммерческого использования, однако не допускается распечатывать какую-либо часть презентации с любой иной целью или по каким-либо причинам вносить изменения в любую часть презентации. Использование любой части презентации в другом произведении, как в печатной, электронной, так и иной форме, а также использование любой части презентации в другой презентации посредством ссылки или иным образом допускается только после получения письменного согласия авторов.