Интеллектуальные информационные системы

Размещено на http://www.allbest.ru/

Лекция 1

Предисловие

Как известно, одной из наивысших человеческих квалификаций в обществе является генерация знаний, в особенности новых знаний. В недалёком прошлом считалось, что это доступно только естественному интеллекту. Однако в связи с созданием за последние десятилетия реальной технической и информационной середы существования искусственного интеллекта, проблема генерации знаний может решаться на автоматизированной основе.

Для расширения и углубления среды искусственного интеллекта и обеспечения её эффективного существования в различных предметных областях, естественно, нужны специалисты, подготовленные по информационным компьютеризированным и математизированным специальностям. Общеизвестно, настоящая ценность специалиста в области компьютерной техники возрастает, когда, кроме знания техники, он владеет языками программирования и имеет хорошую математическую базу. Однако знания в области искусственного интеллекта поднимают этих специалистов на наиболее высокий уровень интеллектуального программиста-математика.

Поэтому в последние годы интенсифицировались работы, связанные с построением и применением интеллектуальных информационных систем, экспертных систем, систем, построенных на знаниях, инженерии знаний…

Введение

Научно-техническая реализация компьютерной техники последних поколений, совершенствование и развитие соответствующих им программных продуктов привели к реальной возможности создания систем искусственного интеллекта, интеллектуализированных информационно-вычислительных комплексов, экспертных систем в различных проблемных областях, инженерии знаний и т.д. Необходимость обеспечения науки и технические приложения подобными системами вызвали к развитию множество приемов, методов, подходов, которые постепенно накапливались, модифицировались, обобщались, образуя в конце концов интеллектуальные технологии формализации математически трудноописываемых проблемных областей и принятия решений в условиях неопределённостей и многомерности.

В разных сферах практической деятельности, связанных с решеним задач управления и контроля, оптимизации и моделирования, поиска и выбора, распознавания и классификации и др., остро встала необходимость интеллектуальной поддержки для преодоления трудностей в слабоформализованных ситуациях и при ограниченных ресурсах.

В начале 60-х годов прошлого века шли горячие споры - может ли машина «мыслить», «творить», играть в шахматы и т.д. Прошедшие десятилетия вполне определенно дали положительный ответ. Современные интеллектуализированные программы, совмещённые с сенсорными системами, образуют робототехнические комплексы высокого уровня. Системы искосственного интеллекта (ИИ) способны выполнять функции, ранее считавшиеся исключительно прерогативой естественного интеллекта: доказывать математические теоремы, переводить тексты с одного языка на другой, диагностировать болезни, распознавать месторождения полезных ископаемых, умело играть в шахматы и другие интеллектуальные игры.

Кроме робототехнических автоматов, наделенных ИИ и способных выполнять сложнейшие функции на других планетах и труднодоступных (опасных) для человека производственных местах, получил развитие ещё один класс систем ИИ, нашедший широкое распространение в последнее время, - это экспертные системы, т.е. системы, позволяющие на базе современных компьютеров накапливать, обновлять и корректировать знания из различных предметных областей. Экспертные системы помогают не только накапливать и хранить информацию в удобном для пользователя виде, но и получать новые знания в медицине, геологии, геофизике, машиностроении, робототехнике, экономике, экологии и в других предметных областях.

Особенности современных теорий искусственного интеллекта и информатики заключаются в том, что они имеют тесную связь с лингвистикой, психологией и логикой, которые изучают явления, относящиеся к познанию, пониманию и умозаключениям. Эти связи носят взаимный характер: с одной стороны, сегодня лингвисты, психологи, специалисты в области математической логики переводят в программы те новые модели, которые они разрабатывают, а с другой - исследователи в области искусственного интеллекта изучают эти модели и пытаются воссоздать на их основе логику эффективных методов решения задач.

Определение. Интеллектуальная система - это информационно-вычислительная система с интеллектуальной поддержкой при решении задач без участия оператора (лица, принимающего решения - ЛПР)

Определение. Интеллектуализированная система - это ИВС с интеллектуальной поддержкой при решении задач с участием оператора - ЛПР.

Определение. Система с интеллектуальной поддержкой - система, способная самостоятельно принимать решения.

Под способностью системы самостоятельно принимать решение необходимо понимать способность системы получать и анализировать информацию, понимать её и делать новые выводы (пополняя её), формулировать заключения, т.е. «мыслить», помогая естественному интеллекту - человеку, который, в свою очередь, корректируя, «улучшает» принятое интегрированное решение.

Все существующие ИнС можно разбить на два класса: общего назначения и специализированные. К ИнС общего назначения отнесены те, которые не только исполняют заданные процедуры, но на основе процедур поиска генерируют и исполняют процедуры решения новых конкретных задач. Технология использования таких систем состоит в следующем. Пользователь-оператор (эксперт) формирует знания (данные и правила), описывающие выбранное приложение (прикладные задачи, предметную область). Затем на основании этих знаний, заданной цели и исходных данных процедуры системы генерируют и исполняют процедуру решения конкретной задачи.

Данную технологию называют технологией систем, основанных на знании, или технологией инженерии знаний.

К специализированным ИнС отнесены те, которые выполняют решение фиксированного набора задач, предопределенного при проектировании системы. Для использования таких систем требуется наполнить их данными, соответствующими выбранному приложению (прикладным задачам, предметной области).

Экспертная система (система, основанная на знаниях, - СОЗ) - сложный программный комплекс, аккумулирующий в формальном виде знания специалистов в конкретных предметных областях.

1. Проблемная область искусственного интеллекта

В настоящее время в области искусственного интеллекта выделено шесть основных проблем (направлений развития)

Представление знаний.

В рамках этой проблемы решатся задачи, связанные с формализацией и представлением знаний в памяти ИнС. Для этого разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых ИнС может черпать знания, и создаются процедуры и приемы, с помощью которых возможно приобретение знаний для ИнС. Проблема представления знаний для ИнС чрезвычайно актуальна, так как ИнС - это система, функционирование которой опирается на знания о проблемной области, которые хранятся в её памяти.

Манипулирование знаниями.

Для того чтобы знаниями можно было пользоваться при решении задач, ИнС

должна уметь:

Оперировать знаниями

Пополнять знания

Классифицировать хранящиеся в системе знания

Обобщать по тем или иным разработанным процедурам знания

Формировать на основе знаний абстрактные понятия

Осуществлять достоверный и правдоподобный вывод на основе имеющихся знаний с помощью создаваемых методов

Пользоваться моделями рассуждений, имитирующими особенности человеческих рассуждений

Манипулирование знаниями и представление знаний - эти два направления тесно связаны друг с другом. Создающаяся в настоящее время теория баз знаний включает исследования, относящиеся как к первому, так и ко второму направлению

Общение.

На основе исследований в этом направлении формируются методы построения лингвистических процессоров, вопросно-ответных систем, диалоговых систем и других ИнС, целью которых является обеспечение комфортных условий для общения человека с ИнС

Восприятие.

Это направление необходимо ИнС для соотнесения различных видов информации. Основной момент - соотнесение зрительной (образной) информации с символьной (текстовой)

Обучение.

Основная черта ИнС - это способность к обучению, т.е. решение задач, с которыми они ранее не встречались.

Поведение.

Так как ИнС должны действовать в некоторой окружающей среде, то необходимо разработать специальные поведенческие процедуры, которые позволили бы им адекватно взаимодействовать с окружающей средой, другими ИнС и людьми

2. Представление знаний

Интеллектуальная деятельность как человека, так и машины, осуществляется с помощью следующих средств

Символьные шаблоны (комбинации символов), предназначенные для описания важнейших аспектов области определения задачи

Операции с этими шаблонами, позволяющие генерировать потенциальные решения проблем

Поиск с целью выбора решения из числа всех возможных

Данные предположения являются базисом для гипотезы о физической символьной системе. Эта гипотеза лежит в основе попыток создания умных машин. Она также вкратце описывает главные вопросы исследования в области искусственного интеллекта и разработки его приложений. К ним относится определение структур символов и операций, необходимых для интеллектуального решения задачи, а также разработка стратегий для эффективного и правильного поиска потенциальных решений, сгенерированных этими структурами и операциями. Эти взаимосвязанные проблемы представления знания и поиска лежат в основе современных исследований в области искусственного интеллекта.

Задача любой схемы представления заключается в том, чтобы зафиксировать специфику области определения задачи и сделать эту информацию доступной для механизма решения проблемы. Язык представления должен позволять программисту выражать знания, необходимые для решения задачи. Кроме того, конечные программы должны быть рациональными в вычислительном отношении. Выразительность и эффективность - взаимосвязанные характеристики оценки языков представления знаний. Разумный компромисс между ними - нетривиальная задача для разработчика интеллектуальных систем.

Языки представления знаний является средством, позволяющим решать задачи. По существу, способ представления знания должен обеспечить естественную структуру выражения знания, позволяющую решить проблему. Способ представления должен сделать доступным это знание компьютеру и помочь программисту описать его структуру.

Покажем проблему выбора способа представления знаний на примере представления числа с представления чисел с плавающей точкой в компьютере. Как известно для полного описания вещественного числа требуется бесконечный ряд цифр, что не может быть выполнено на конечном устройстве. Решение этой проблемы - представление числа в виде двух частей: его значащих цифр и положения десятичной точки в пределах этих цифр. Несмотря на то что вещественное число без искажения нельзя хранить в компьютере, можно создать его представление, адекватно функционирующее в большинстве практических приложений

Представление числа с плавающей точкой уступает в выразительности, но выигрывает в эффективности. Такое представление позволяет выполнять многократные арифметические операции, обеспечивает эффективность их выполнении, не ограниченную точностью вычислений с предельной ошибкой округления при любой предварительно заданной погрешности. Подобно всем представлениям это лишь абстракция, символьный шаблон, определяющий желаемый логический объект, но не сам объект непосредственно.

Схема представления знания должна удовлетворять следующим условиям.

Адекватно выражать всю необходимую информацию.

Поддерживать эффективное выполнение конечного кода.

Обеспечивать естественный способ выражения необходимых знаний

Задачи ИИ не решают путём их упрощения и «подгонки» к уже имеющимся понятиям, предлагаемым традиционными формальными системами, например массивами. Эти задачи связаны скорее с качественными, а не количественными проблемами, с аргументацией, а не вычислениями, с организацией больших объёмов знаний, а не реализацией отдельного чёткого алгоритма. Чтобы удовлетворять этим требованиям, язык представлений искусственного интеллекта должен обладать следующими свойствами.

Обрабатывать знания, выраженные в качественной форме

Получать новые знания из набора фактов и правил

Отображать общие принципы и конкретные ситуации

Передавать сложные семантические значения

Обеспечивать рассуждения на метауровне

компьютерный искусственный интеллект семантический

3. Рассмотрим подробнее

Обработка знаний, выраженных в качественной форме.

Программирование искусственного интеллекта требует средств фиксации (выражения) и рассуждений о качественных аспектах задачи. Рассмотрим простой пример - размещение блоков на столе

Размещено на http://www.allbest.ru/

Для представления расположения блоков можно использовать декартову систему координат, где значения X и Y задают координаты каждой вершины блока. Хотя этот подход описывает мир блоков и является, несомненно, правильным представлением для многих задач, в данном случае он неудачен, поскольку не позволяет непосредственно зафиксировать свойства и отношения, необходимые для качественных выводов. Эти выводы о том, какие из блоков уложены друг на друга и какие имеют открытый верх, чтобы их можно было взять и поднять. Исчисление предикатов непосредственно фиксирует эту наглядную информацию. С помощью исчисления предикатов описанную задачу можно описать следующим образом

Clear(c)

Clear(a)

Ontable(a)

Ontable(b)

On(c,b)

Cube(b)

Cube(a)

Pyramid(c)

Первое слово каждого выражения - предикат, обозначающий некоторое свойство или соотношение его параметров, приведенных в круглых скобках. Параметры - это символы, обозначающие объекты (блоки). Данный пример иллюстрирует точное представление блоков. Это явное представление, поскольку очевидна связь между его элементами и нашим собственным пониманием «мира» блоков.

Логическое получение новых знаний из набора фактов и правил

Любой интеллектуальный объект должен обладать способностью логически получать дополнительные знания из имеющегося описания реального мира. Люди, например, не запоминают точное описание каждой пережитой ситуации (да это и невозможно). Скорее мы способны рассуждать об абстрактных описаниях классов объектов и состояний. И язык представления знаний должен обеспечить эту возможность.

В примере из мира блоков можно определить тест, устанавливающий, является ли блок открытым, т.е. не располагается ли на его верхней грани другой объект. Это свойство не обязательно явно приписывать каждому блоку. Можно определить общее правило, которое позволяет системе логические выводы из имеющихся фактов. В исчислении предикатов это правило может выглядеть так.

Оно означает следующее: для любого элемента X элемент X является открытым, если не существует такого Y, что Y находится на X.

Отображение общих принципов наряду с конкретными ситуациями

Поскольку интеллектуальная система должна быть максимально общей, любой хороший язык представления нуждается в переменных. Необходимость качественных рассуждений делает использование и реализацию переменных чрезвычайно сложной и тонкой задачей по сравнению с их трактовкой в традиционных языках программирования. Значения, типы и правила обработки данных в языках программирования ориентированных на вычисления, чрезвычайно ограничены и не годятся для реализации интеллектуальных систем. Для обработки связанных переменных и объектов существуют специальные языки представления знаний (PROLOG, LISP).

Передача сложных семантических значений

Во многих областях искусственного интеллекта решение задачи требует использования высокоструктурированных взаимосвязанных знаний. Например, чтобы описать автомобиль недостаточно перечислить его составные части. Адекватное описание должно учитывать также способ соединения и взаимодействия этих частей.

Семантические отношения также необходимы для описания причинных связей между событиями.

Хотя многие ситуации могут быть представлены в виде совокупности предикатов или адекватных им формализмов, для программиста, имеющего дело со сложными понятиями и стремящегося дать устойчивое описание процессов в программе, необходимо некоторое высокоуровневое представление структуры процесса.

Например, канарейку можно описать так. Канарейка - это маленькая желтенькая птичка, а птичка - это крылатое летающее позвоночное животное. Эта формулировка может быть представлена в виде набора логических предикатов:

Hassize(canary, small)

Hascovering(bird, feathers)

Hascolor(canary, yellow)

Hasproperty(bird, flies)

Isa(canary, bird)

Isa(bird, vertebrate)

Предикатное описание можно представить графически, используя для отображения предикатов, определяющих отношения, дуги или связи графа. Такое описание, называемое семантической сетью, является фундаментальной методикой представления семантического значения. Алгоритм рассуждений о предметной области может строить соответствующие ассоциации, просто следуя по связям. В примере с канарейкой системе нужно проследовать только по двум дугам, чтобы решить, что канарейка - это позвоночное животное. Это значительно эффективнее, чем утомительный исчерпывающий поиск в базе данных, содержащей описания на языке исчисления предикатов вида isa(X, V).

Размещено на http://www.allbest.ru/

Некоторые связи данного примера, например isa, указывают на принадлежность к классу и задают свойства, характерные для описания данного класса, которые наследуют все члены класса. Этот механизм наследования встроен в язык непосредственно и позволяет сохранять знания на самом высоком уровне абстракции. Наследование - инструмент представления классифицированной структурированной информации, который гарантирует, что все члены класса обладают общими свойствами.

Интеллектуальная система должна не только знать предмет, но также знать о том, что она знает этот предмет. Она должна быть способна решать задачи и объяснять эти решения. Система должна описывать свои знания как в конкретных, так и в обобщенных терминах, узнавать их ограничения и учиться в процессе взаимодействия с миром. Эта осведомлённость о своих знаниях составляет более высокий уровень знаний, называемых метазнаниями, необходимых для проектирования и адекватного описания интеллектуальных систем.

Один из аспектов гипотезы о символьной системе является поиск решения задачи среди альтернативных вариантов. С точки зрения здравого смысла это выглядит разумно, поскольку именно так задачи решает человек. Рассматривая ряд альтернативных вариантов, мы пытаемся решить проблему. Шахматист обычно изучает возможные ходы и выбирает оптимальные согласно таким критериям, как вероятные ответы противника или некоторая глобальная стратегия, поддерживаемая на каждом этапе игры. Игрок также рассматривает преимущества в краткосрочных стратегиях (например, взятие ферзя противника), возможности пожертвовать фигуру за позиционное преимущество или строит предположения относительно психологического состояния противника, его опыта и умения. Математик при доказательстве трудной теоремы выбирает свою линию среди большого набора сложных стратегий. Врач может систематично рассматривать ряд возможных диагнозов и т.д. Такое интеллектуальное поведение лежит в основе методики поиска решения в пространстве состояний.

В качестве примера рассмотрим игру «крестики-нолики». Для любой заданной ситуации всегда существует только конечное число допустимых ходов игрока. Первый игрок может разместить крестик в любой из девяти клеточек постой игровой доски. Каждый из таких шагов порождает различные варианты заполнения игровой доски, которые позволяют противнику сделать восемь возможных ответных ходов и т.д. Эту совокупность можно представить в виде вершин графа. Дуги графа представляют разрешенные ходы, приводящие от одной конфигурации игровой доски к другой. Узлы этого графа соответствуют различным состояниям игрового поля. Результирующая структура называется графом пространства состояний.

Описав игру таким образом, можно с помощью поиска на графе найти эффективную игровую стратегию. Иными словами, определить все пути, ведущие к наибольшему числу побед и наименьшему числу поражений.

Несмотря на очевидную универсальность, поиска в пространстве состояний не достаточно для автоматизации интеллектуального поведения, обеспечивающего (автоматическое) решение проблем. Если бы поиска в пространстве состояний было достаточно, то было бы довольно просто написать программу, играющую в шахматы. Для определения последовательности ходов, ведущих к победе, на каждом этапе игры нужно было бы осуществлять полный поиск по всему пространству состояний. Этот метод решения задач известен как исчерпывающий поиск, или поиск методом полного перебора. Хотя полный перебор может применяться в любом пространстве состояний, огромный размер пространства для интересных задач делает этот подход практически неприемлемым. Игре в шахматы, например, соответствует приблизительно 10е120 различных состояний игровой доски. Это на порядок больше, чем число молекул во Вселенной или число наносекунд, которые минули с «большого взрыва». Поиск в таком пространстве состояний выходит за рамки возможностей любого вычислительного устройства.

Однако в реальной жизни люди используют поиск: шахматист рассматривает ряд возможных ходов, доктор исследует несколько возможных диагнозов, учёный-программист принимает во внимание различные варианты проекта перед тем, как приступить к написанию кода. Однако люди не используют полный перебор: шахматист использует только те ходы, которые, как свидетельствует опыт, должны быть эффективными, доктор не требует проведения всех возможных анализов, которые не связаны каким-либо образом с имеющимися симптомами болезни. Проектирую программные средства, математик руководствуется опытом и теоретическими знаниями. Решение задачи человеком основано на субъективных правилах, направляющих поиск к тем частям пространства состояний, которые по каким-то причинам кажутся «обещающими».

Эти правила известны под названием эвристик. Они составляют одну из центральных тем исследований в области искусственного интеллекта. Эвристика (термин возник от греческого слова «находить») - это стратегия для выборочного поиска в пространстве состояний. Она направляет поиск вдоль линий, имеющих высокую вероятность успеха, уводя при этом исследователя от потраченных впустую или очевидно глупых усилий. Люди используют большое количество эвристик в решении задач.

Эвристика не абсолютно надёжна. Даже лучшая игровая стратегия может быть побеждена противником, диагностические средства, разработанные опытными врачами, иногда терпят неудачу. Нет гарантий, что хороший эвристический подход может и должен приблизить нас к верному оптимальному решению проблемы. Наиболее важно то, что эвристика использует знание о природе задачи для эффективного поиска решения.

Поиск в пространстве состояний обеспечивает средства формализации процесса решения проблемы, а эвристики позволяют привносить интеллект в этот формализм.

Размещено на Allbest.ru