Системы искусственного интеллекта

Искусственный интеллект – устройство, созданное человеком, решающее задачи, которые могут решать люди. Оно должно быть способно осуществлять восприятие, обучение, анализ, рассуждение, использование значений, планирование действий, логический вывод и т.д.

Этот термин был впервые предложен в 56 году.

Два основные направления в создании искусственного интеллекта:

1. Нейробионика – моделирует искусственным образом процессы, происходящие в мозге человека. На практике это представляет собой разработку элементов подобных нейронам и объединение их в системы – нейросети и нейрокомпьютеры.

2. Информационное – основной целью является не построение тех. Аналога био системы, а моделирование функционирования системы. При этом внутренние механизмы модели могут быть совершенно не похожи на живые аналоги.

Различные подходы к построению систем искусственного интеллекта

1. Логический подход – основан на моделировании рассуждений, базируется на использовании булеввой алгебры – раздел математики, в котором изучаются логические операции над высказываниями.

Предикат – функция, аргументами которой могут быть произвольные объекты из некоторого множества, значениями истина ил ложь. Предикат является расширением понятия высказывание. Множество, на котором предикат принимает только истинные значения называется областью истинности предиката.

Квантор – логическая операция, ограничивающая область истины какого-либо предиката.

Каждая система искусственного интеллекта, построенная на логическом принципе, представляет собой машину доказательства теорем, работу которой можно представить в виде блок-схем. При этом исходные данные задаются в виду аксиом, а правило логического вывода задаются как набор отношений между исходными аксиомами. Каждая такая машина имеет блок генерации цели и система вывода пытается доказать данную цель как теорему. Если цель доказана, то мы получаем цепочку действий (алгоритм) необходимую для решения подобных задач. Для усиления мощности подобных систем используется нечеткая логика, в котором правдивость высказывания может оцениваться в долях единицы. Недостатки: большая трудоемкость метода, так как возможен полный перебор всех вариантов, требуется полная информация о моделируемом объекте. Достоинства: при решении задании мы получаем готовый рецепт решения всех аналогичных задач.

Структурный подход – способ построения искусственного интеллекта путем моделирования структуры человеческого мозга. 1957 г. Френк Розенблатт «Перцептрон» - передающая сеть, состоящая из генераторов двух типов: сенсорные элементы, ассоциативные элементы и реагирующие элементы. Перцептрон должен был передавать сигнал от «глаза», составленного из фотоэлементов, воспринимающих свет в блоки ячеек памяти, которые оценивали величину электрических сигналов, поступающих с фото элементов и соединенных между собой случайным образом. Эта машина могла распознавать буквы. Перед работой перцептрон необходимо было обучить. Обучение состояло в изменении весовых коэффициентов для связей между элементами. Классический метод обучения – обучение с коррекцией ошибки, то есть вес связи не меняется, пока реакция перцептрона остается правильной. При возникновении ошибки весь связи уменьшается. Развитие этого принципа привело к созданию нейронных сетей, у которых может быть много слоев анализирующих элементов. Нейронные сети отличаются друг от друга по строению отдельных нейронов, по типу связей между нейронами и по алгоритмам обучения. Нейронные сети наиболее успешно применяются в задачах распознавания образов, их достоинством является успешное действие при наличии шума. Нейронные сети в медицине используются для диагностики. Нейронная сеть требует предварительного обучения.

Эволюционный подход – использует анализ правил, по которым первоначальная модель может меняться. Первоначальная модель может быть построена с помощью любого из существующих подходов, после чего задаются правила, по которым вносятся изменения в первоначальную модель и из получившихся вариантов отбираются лучшие.

1. Создание первоначальной популяции объектов – популяция создается из видоизмененной первоначальной модели, которая может быть представлена в виде системы уравнений, тогда внесение мутаций – это либо изменение коэффициентов в уравнении, либо изменение количества уравнений, либо изменение отдельных членов уравнения

2. Создание дочерней популяции – выбраковываются «нежизнеспособные» модели, а также оценивается приспособленность полученных моделей и отбираются наилучшие по приспособленности, из которых создается новая популяция.

3. Создание новой популяции

Цикл повторяется до тех пор, пока мы не получим модели, удовлетворяющей нашим требованиям. Основная работа перекладывается с разработчика модели на компьютер, и решив задачу мы не получаем четкого понимания процессов, в моделируемой системе. Мы получаем приемлемый результат даже если он не является оптимальным.

Имитационный подход – данный подход является классическим для кибернетики, в его основе лежит понятие «черного ящика» (англ. Психиатр, кибернетик Уильям Р. Эшби). Черный ящик – устройство, программный модуль или набор данных, информация о внутренней структуре которых отсутствует частично или полностью, но известны спецификации о входных и выходных данных, то есть мы знаем, как объект реагирует на воздействие. При создании модели в этом случае мы добиваемся, чтобы наша модель реагировала точно так же. Выделяют белый, серый и черный ящики по степени информированности. При этом подходе внутренняя структура модели не должна повторять внутреннюю структуру объекта.

1. Исследователь вносит гипотезу о структуре ящика; Y = А₁Х + A₀

2. Задание значений коэффициентов; A₀ и А₁

3. Проверка адекватности реакций модели

Основным недостатком является низкая информационная способность большинства полученных моделей.

Экспертные системы – компьютерная программа, способная заменить специалиста-эксперта в разрешении проблемной ситуации. ЭС появились в 70-хх годах прошлого века и являются применением систем искусственного интеллекта для решения конкретных задач. Они отличаются от простых систем обработки данных тем, что в них может использоваться символьный способ представления, символьный вывод и эвристический поиск решения (без известного алгоритма решения).

Структура ЭС:

1. Интерфейс пользователя – программа, позволяющая пользователю общаться с системой на привычном языке профессиональных терминов

2. Пользователь – специалист, обученный работе с ЭС

3. Интеллектуальный редактор базы данных – программа, позволяющая вносить сведения в базу знаний без нарушения ее структуры

4. Эксперт – специалист, хорошо изучивший проблемную область

5. Инженер по знаниям – специалист по выявлению и структурированию знания

6. Рабочая (оперативная) память

7. База знаний – включает в себя набор фактов и сведений (статистических) о предметной области, а также правила анализа и вывода для хранящейся информации

8. Механизм вывода – набор алгоритмов и правил, полученных после обучения системы искусственного интеллекта для решения задач в проблемной области

9. Подсистема объяснений

ЭС создается при помощи трех групп людей: эксперты, инженеры по знаниям, программисты, реализующие программы, входящие в ЭС.

Режимы функционирования ЭС:

1. Режим ввода знаний – эксперт с помощью инженера по знаниям вводит сведения из предметной области в базу знаний посредством редактора базы знаний. Ввод знаний бывает прямой и статистический.

2. Режим консультации – пользователь ведет диалог, сообщая ЭС сведения о текущей задачи и получая рекомендации от ЭС.

ЭС MYCIN 1974 г. – система для диагностики бактериальных инфекций.

Правила диагностики для подобных систем имеют вид, если (Х), то (Y₁) – Р?, (Y₂) – Р? …

Применяя подобные правила мы получаем итоговую вероятность для каждого возможного диагноза Y при наличии конкретных симптомов Х, после чего система отбирает наиболее вероятные диагнозы.

Каждая ЭС, как правило, посвящена одной узкой задаче. Российские ЭС:

1. Нефрекс

2. Репрокод

3. Диакомс – онкологические заболевания глаз

4. ES 4.0 – диагностика заболевания молочных желез, щитовидной железы