21. Понятие системы искусственного интеллекта (ии).

Искусств-й интеллект – это возм-ть решения задач, которые до сих пор не удавалось решить человеку, машинным способом.

ИИ- область научного знания, объедин-щая разл направления, занимающиеся исслед-ми принципов и закономерн-й мыслит д-ти и моделир-м задач, кот традиционно относят к интеллект-м. Осн.задача: осуществление поддержки д-ти чела и поиска инфо в режиме продвинутого диалога на естественном языке.

Направления ИИ: 1. экспертные системы; 2. нейронные сети; 3. естественно-языковые сис-мы; 4. Эволюц-ные методы и генетические алгоритмы; 5. нечеткие множества; 6. системы извлечения знаний. 1. Экспертные сис-мы сост-т 70 % общего объема продаж систем искусств-го интеллекта, они ориент-ны на решение конкретных задач. Нейронные сети делятся на: 1 сети общего назнач-я, кот-е настраиваются на решение конкретных задач; 2 объектно-ориентированные – исп-мые для распозн-я символов, управления производством, предсказание ситуаций на валютных рынках,.3 гибридные – исп-мые вместе с опред-м программным обеспеч-м (Excel, Lotus).

Естественно-языковые (ЕЯ) системы делятся на: 1.ЕЯ интерфейс к БД; 2. ЕЯ поиск в текстах, содержательное сканир-ние текстов; 3. Масштаб-мые ср-ва распознания речи; 4. Ср-ва голос-го ввода команд и упр-ния; 5. компоненты речевой обработки, как сервисные ср-ва программного обесп-ния.

Эволюц-ные методы, методы нечетких множеств и сис-мы извлеч-я знаний сост-т около 4% сис-м ИИ. Обычно они применяются как инструментальные оболочки в ЭС и СППР.

22. Математ-кие методы и модели ии: нечеткая логика, генетические алгоритмы, нейронные сети и др.

4 подхода: 1)логический, 2)эволюционный, 3)имитационный, 4)структурный.

1)-примеры: деревья решений и нечеткая логика. Хар-на большая трудоемкость, т.к. во время поиска док-ва возможен полный перебор вар-тов. Этот подход более точно отражает функционир-ние мышления чела, кот редко отвечает на поставл вопросы только «да» или «нет». 2)-построение прогнозов состояний с-мы в усл-х задания их предыстории. Ген.алгоритмы – стохастические, эвристические оптимизационные методы, предлож Дж.Холландом, основ на идее эовлюции путем естеств-го отбора Ч.Дарвина. – Ген.алг.-мощное поисковое ср-во, эффект-ное в разл проблемных областях. 3)- широко использ-ся при построении с-м ИИ Иммит. подход с баз понятием «черный ящик» - с-ма, в кот внешнему наблюдателю доступны лишь входные и выходные вел-ны, а стр-ра и внутр процессы неизвест. 4) – стр.метод – построение сис-м ИИ путем моделир-я стр-ры чел мозга. Нейросетевое моделир-е прим-ся в разл обл: бизнесе, медицине, технике, геологии, физике, где н. решать задачи прогнозир-я, классиф-ции, управл-я. В основе- идея построения вычислит устр-ва из большого числа парал-но работ эл-тов.

23. Интеллект-й анализ данных. Упр-ние знаниями.

ИАД- общий термин для обознач-я анализа данных с активным исп-нием матем методов и алгоритмов, ипольз-х визуальное предст-ние данных.

3 стадии: 1)выявл-е закономерн-тей (свободн поиск), 2)использ-е выявл-х закон-стей для предсказания неизвестн знач-й (прогнозир-е), 3)анализ исключ-й для выявл-я и толкования аномалий в найденн закон-тях

Управление знаниями- систематич приобретение, синтез, обмен и исп-ние опыта для достиж-я успеха в бизнесе или в управл-и компанией. 1)явные знания-представл-е в компании в виде должностных инстр-ций, регламентов и полож-й о д-ти подразд-й, корпорат учебн пособия и др. 2) неявн – носитель чел, их нельзя увидеть, сложно задокумент-ть, передать их можно только поср-вом личн и непосредств-го общения.