
- •История возникновения и развития искусственного интеллекта
- •2. Развитие искусственного интеллекта в России
- •3. Основные направления современных исследований в области искусственного интеллекта
- •Понятие знаний и данных
- •Классификация моделей представления знаний. Преимущества и недостатки каждой модели
- •Продукционные модели представления знаний
- •Преимущества и недостатки продукционных моделей. Классификация ядер продукции
- •Управление системой продукций. Вывод на продукционной базе знаний
- •Фреймовые модели представления знаний. Классификация фреймов
- •Фреймовые модели представления знаний. Конкретизация фрейма, связи между фреймами
- •Сетевые модели представления знаний
- •Представление знаний в виде семантических сетей
- •Механизмы вывода на семантической сети
- •-15. Логические модели представления знаний
- •Исчисление высказываний. Интерпретация и свойства высказываний
- •Исчисление высказываний как формальная система
- •Нормальные формы в логике высказываний. Алгоритм преобразования формулы в дизъюнктивную нормальную форму (днф)
- •19. Нормальные формы в логике высказываний. Алгоритм преобразования формулы в конъюнктивную нормальную форму (кнф)
- •20. Нормальные формы в логике высказываний. Алгоритм преобразования в сднф
- •21. Метод резолюций в логике высказываний
- •Предикаты и операции над ними
- •Исчисление предикатов 1-го порядка как формальная система
- •Логические эквивалентные преобразования в исчислении предикатов 1-го порядка. Алгоритм приведения к снф
- •Логические эквивалентные преобразования в исчислении предикатов 1-го порядка. Алгоритм приведения к пнф
- •Подстановка и унификация в логике предикатов 1-го порядка. Алгоритм нахождения наиболее общего унификатора
- •Алгоритм метода резолюций для проверки невыполнимости множества дизъюнктов в логике высказываний
- •Алгоритм применения метода резолюций в логике предикатов 1-го порядка
- •Стратегии метода резолюций
- •Назначение, определение и структура экспертных систем
- •Расширенная структура эс
- •Классификация экспертных систем (эс)
- •Основные этапы разработки экспертных систем
- •Выбор проблемы
- •Разработка прототипа эс
- •Доработка до промышленной эс
- •Оценка эс
- •Стратегии получения знаний при разработке экспертных систем. Подсистемы накопления знаний.
- •С применением эвм
- •Подсистемы объяснений в экспертных системах
- •Интеллектуальные подсистемы в современных сапр
- •Особенности и причины появления «мягких» вычислений. Основные направления «мягких» вычислений.
- •37. Эволюционное моделирование. Назначение и принципы построения генетических алгоритмов.
- •38. Назначение, определение и основные преимущества нечетких моделей представления знаний
- •Назначение и принципы работы искусственных нейронных сетей (инс)
Основные этапы разработки экспертных систем
Этапы разработки экспертных систем (ЭС):
Выбор проблемы
определение проблемной области и задач;
нахождение эксперта, желающего сотрудничать;
определение предварительных подходов к решению проблем;
анализ расходов и доходов от разработки;
подготовка подробного плана разработки.
Разработка прототипа эс
Прототип – усеченная версия спроектированная для проверки правильности кодирования фактов, связей и стратегий рассуждений экспертов.
Идентификация проблемы – уточняется ход разработки ЭС, цели, определяются ресурсы, источники знаний, аналогичные ЭС, классы решаемых задач. Результат – проблема.
Извлечение знаний – получение инженером по знаниям наиболее полного представления о предметной области. Результат – знания.
Структурирование знаний – разработка информационного описания знаний о предметной области (таблицы, диаграммы), отражающей основные концепции и взаимосвязи между понятиями предметной области. Результат – поле знаний.
Формализация знаний – разработка базы знаний на языке представления знаний, который соответствует структуре поля знаний, и позволяет реализовать прототип системы на стадии программной реализации. Результат – База знаний (БЗ) на языке представления знаний.
Реализация прототипа – разработка ПО, жизнеспособность подхода в целом. Есть 4 пути разработки – на языках программирования (ЯП), специализированных ЯП, использование средств разработки ЭС, оболочки. Результат – Прототип.
Тестирование – выявление ошибок в подходе и реализации прототипа и выработка рекомендаций по доводке системы до промышленного варианта. Прототипы проверяются на удобство и адекватность ввода/вывода, корректность БЗ.
Доработка до промышленной эс
Демонстрационный прототип – решает часть задач, демонстрируя жизнеспособность подхода.
Исследовательский прототип – решает большинство задач, но неустойчив в работе, не полностью проверен.
Действующий прототип – решает все задачи на реальных примерах, но для сложных задач требует много времени и памяти (неоптимизированны алгоритмы).
Промышленная система – высокое качество решений, при малом времени и памяти.
Коммерческие системы – промышленные систем, пригодные для продажи – хорошо документированы, снабжены сервисом.
Оценка эс
Пользовательская – понятность, прозрачность, удобство.
Экспертная – оценка подсистемы объяснения решений.
Разработчика – дизайн, широта охвата предметной области, непротиворечивость БЗ, тупиковые ситуации.
Стыковка ЭС – с другим ПО – разработка связей ЭС, со средой, в которой она должна будет действовать.
Поддержка ЭС.
Стратегии получения знаний при разработке экспертных систем. Подсистемы накопления знаний.
Получение знаний возможно:
С применением эвм
Приобретение знаний (machine learning) – база знаний (БЗ) наполняется экспертом, без привлечения инженера по знаниям. Используется специализированное ПО.
Формирование знаний (data mining / knowledge discovery) – процесс анализа данных, выявление скрытых закономерностей, использование специального математического аппарата и программных средств.
Извлечение знаний – процесс переноса компетентности эксперта через инженера по знаниям в БЗ. Инженер воссоздает модель предметной области, которой пользуется эксперт при принятии решений.
Текстологические – извлечении знаний из документов, учебников и специализированной литературы.
Коммуникативные – методы и процедуры контакта инженера по знаниям с экспертом.
Пассивные (наблюдение, протокол «мысли вслух», лекции) – ведущая роль у эксперта, а инженер по знаниям протоколирует его рассуждения во время реальной работы по принятию решений, или записывает что эксперт считает важным.
Активные – инициатива у инженера по знаниям, который контактирует с экспертом различными способами – в играх диалогах, беседах за круглым столом и т.д.
Групповые – мозговой штурм, круглый стол, ролевые игры;
Индивидуальные – анкетирование, интервью, диалог, экспертные игры.
Поколения систем приобретения знаний:
Средства наполнения пустых ЭС (сер. 80-х) – БЗ, из которых удалены знания – планировалось снизить время разработки, через взаимодействие эксперта с системой представления знаний.
Недостатки:
слабо проработаны методы извлечения и структурирования знаний;
жесткость модели представления знаний, встроенной в систему приобретения знаний, и связанной с программной реализацией;
ограничения на предметную область.
Алгоритм создания:
создание конкретной ЭС;
опустошение БЗ;
разработка системы приобретения знаний для наполняемой БЗ;
формирование новой БЗ для другой ЭС.
KADS (Knowledge Acquisition and Documentation Structuring) – в основе лежит понятие интерпретационной модели, позволяющей рассматривать процессы извлечения, структурирования, формализации знаний как интерпретацию лингвистических знаний в другие представления и структуры.
Методология KADS (по уровням анализа):
пространство анализа:
лингвистические данные – идентификация;
концептуальная модель – концуптуальный уровень.
пространство проектирования:
модель проектирования – гносеологический уровень;
детальная модель проектирования – логический уровень;
коды – уровень анализа выполнения.