Законы Мура, фотона и т.Д.
Закон Мура: Вычислительная мощность микропроцессоров и плотность микросхем памяти удваивается примерно каждые 18 месяцев при неизменной цене. (Гордан Мур 1965 год) Мур заметил, что приблизительно каждые 1,5 года расстояние между элементами на одном кристалле сокращаются примерно на 30%. Следовательно число элементов на таком кристалле удваивается. Увеличение числа элементов на одном кристалле сопровождается, как правило, ростом его производительности, которая определяется тактовой частотой. Выпуск новой модели микропроцессора происходит в среднем каждые 3-5 лет, а его производительность возрастает в 2-4 раза. Стоимость нового микропроцессора на рынке постоянна (500-800 долл.). следовательно, можно говорить не только о росте числа элементов на одном кристалле, но и об уменьшении цены на микропроцессоры одинаковой производительности. Следствия, вытекающие из закона Мура. 1. Закон Артура Рока. Стоимость основных фондов, используемых в производстве полупроводников, удваивается каждые 4 года. 2. Закон Макрона. Машина (РС), которая бы Вас полностью устроила, никак не может стоить меньше 5000 долл. Закон Меткалфа. Согласно Роберту Меткалфу, ценность сети тем выше, чем выше число ее компонентов. Сети способны генерировать новую ценность. В течение ближайших нескольких лет число пользователей Интернет увеличиться с 500 млн. до 1 млрд., и тогда ценность этой сети как средства доступа к инфо, коммуникаций и коммерции станет выше. Сетевой эффект заключается в том, что ценность присоединения к сети для пользователей зависит от числа других пользователей, уже подсоединенных к сети. Рынки, на которых наблюдается сет эффект, называются сетевыми. А также пользователи получают пользу от след элементов: - Сеть пользователей – ценность продукта зависит от размера сети пользователей - сеть комплементарных продуктов – ценность сети зависит от дополняющих продуктов и услуг - Сеть производителей – ценность сети зависит от числа поставщиков и уровня конкуренции между ними. Закон Рида (закон массы). Выделил 3 этапа в развитии ИТ: 1) широковещательный 2) транзакционный (от одного одному) 3) групповой (эффективность в групповых сетях выше и пропорциональна 2^n) Закон фотона. Пропускную способность волоконно-оптического канала можно удваивать примерно каждые 10 месяцев. Три закона свидетельствуют о том, что переход от бумажных к электронным технологиям стал экономически выгодным.
Методы и алгоритмы представления знаний
1)семантическая сеть – модель формализации знаний в виде ориентированного графа с размеченными вершинами и дугами. Вершинам соответствуют объекты, понятия или ситуации, дугам – отношения между ними. СС содержат описание связей в явной форме. Наиболее часто используются отношения:
-целое-часть(класс-подкласс,элемент-множество)
-функцион. связь(производит, находится, поставляет)
-атрибутивные (иметь значение, свойство)
-логические(и,или,нет)
-временные (в течение, раньше, позже)
2) дерево вывода – множество объединенных правил,отражающих условия выполнения некоторого процесса. Правила представляют собой языковую конструкцию вида
ЕСЛИ <условие, сt(условия)>, ТО <заключение, сt(заключения)>
сt (правила),
где сt (условия), сt (заключения), сt (правила) – соответственно, коэффициенты определённости условия, заключения и правила.
Значение ct, равное 0, указывает на полную неопределённость, а 1 — на полную определённость. В дереве указывают значения в этом диапазоне.
Множество правил объединяются в дерево вывода.
Пример. Пусть заданы два правила.
Правило 1. ЕСЛИ индекс цен возрастет не менее чем на 3% (В) ct(B)
И цены на энергоносители вырастут не более чем на 19% (С) ct(C) = 0,6,
ТО акции покупать (A) ct(A) = ?, сt (правила 1) = 0,8.
Правило 2. ЕСЛИ ВВП возрастет не менее чем на 1,5% (Д) ct (Д) = 0,4,
ИЛИ ставки Центрального банка будут в пределах 12% (Е) ct(E) = 0,7,
ИЛИ объём экспорта возрастет более чем на 5% (G) ct(G) = 0,5,
ТО индекс цен возрастёт менее чем на 3%. (В) ct(B) - ?, ct (правила 2) = 0,98.
3) Дерево целей и задач — развёрнутая, распределённая по уровням совокупность целей и задач экономической программы, построенная по логической схеме:
"цели — программы — задачи, которые надо решить для достижения этих целей, - мероприятия, обеспечивающие решение задач, — ресурсы, необходимые для проведения мероприятий".
Дерево целей и задач используется в программно-целевом планировании и управлении при разработке целевых комплексных программ.
Дерево целей является дальнейшим совершенствованием целевого управления, известного в настоящее время как Goal-управление.
В основу его построения положено понятие цели, измерение достижения которой осуществляется с помощью значений соответствующих экономических показателей.
Например, уровень достижения цели "Увеличить рентабельность предприятия" можно измерить показателем "Рентабельность" в числовом диапазоне от 0 до 1.
Представление знаний в виде дерева целей возможно, если известны цель управления и формулы, по которым можно рассчитать уровень достижения каждой подцели. Допустим, целью является увеличение прибыли, которая может быть достигнута за счёт увеличения выручки и снижения затрат, что можно представить графически.
На рис. с помощью знаков "+" и "-" показаны желаемые направления изменения подцелей: В — выручка: увеличение; 3— затраты: снижение; П— прибыль: увеличение. Если В = 20, 3= 15, то по формуле В = П— 3 получим П= 5.
4) Понятие нечеткого множества - эта попытка математической формализации нечеткой информации для построения математических моделей. В основе этого понятия лежит представление о том, что составляющие данное множество элементы, обладающие общим свойством, могут обладать этим свойством в различной степени и, следовательно принадлежать к данному множеству с различной степенью. При таком подходе высказывания типа “такой-то элемент принадлежит данному множеству” теряют смысл, поскольку необходимо указать “насколько сильно” или с какой степенью конкретный элемент удовлетворяет свойствам данного множества.
Под нечётким множеством A понимается совокупность
A={(x,μA(x))|x∈X},
где X — универсальное множество, а μA(x) — функция принадлежности (характеристическая функция), характеризующая степень принадлежности элемента x нечёткому множеству A .
Функция μA(x) принимает значения в некотором вполне упорядоченном множестве M . Множество M называют множеством принадлежностей, часто в качестве M выбирается отрезок [0,1] . Если M={0,1} , то нечёткое множество может рассматриваться как обычное, чёткое множество.
5) Онтология — это попытка всеобъемлющей и детальной формализации некоторой области знаний с помощью концептуальной схемы. Обычно такая схема состоит из иерархической структуры данных, содержащей все релевантные классы объектов, их связи и правила (ограничения), принятые в этой области
Онтологии – базы знаний специального вида, которые могут «читаться» и пониматься, отчуждаться от разработчика и/или физически разделяться их пользователями. Это формально представленные знания на базе концептуализации (описания множества объектов и понятий, знаний о них и связей между ними)
Формально онтология определяется как
O = <X,R,F>, где
• X - конечное множество понятий (концептов) предметной области,
• R - конечное множество отношений между понятиями,
• F - конечное множество функций интерпретации, заданных на концептах и/или отношениях.
При R=0 и F=0 онтология трансформируется в простой словарь. Пример – индексы поисковых машин
6)Нейронные сети - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
7)Фрейм — способ представления знаний в искусственном интеллекте, представляющий собой схему действий в реальной ситуации. Фрейм — это модель абстрактного образа, минимально возможное описание сущности какого-либо объекта, явления, события, ситуации, процесса.
Фреймы используются в системах искусственного интеллекта (например, в экспертных системах) как одна из распространенных форм представления знаний. Фрейм состоит из конечного числа слотов (или составных ячеек), каждый из которых имеет имя и значение. Последнее может быть ссылкой на другие слоты или фреймы.