- •Contents
- •Введение
- •«Горячие точки» ии (д.А. Поспелов, г.С. Осипов)
- •Основные этапы развития ис (эс)
- •Классификация эс как приложений
- •Методы обработки плохоопределенной информации в ис (эс)
- •Теоретико-вероятностные методы оперирования с неопределенностью
- •Байесовские сети доверия (Bayesianbeliefnetworks)
- •Метод субъективных коэффициентов уверенности (субъективных вероятностей)
- •Теория свидетельств Демпстера-Шефера
- •Правило объединения свидетельств
- •Вероятностная логика
- •Поиск решения в условиях неопределенности с использованием деревьев решения (др)
- •Методы обработки неопределенности вGuru
- •Использование нечетких переменных
- •Обработка неопределенности лингвистического характера
- •Конструирование эс (соз)
- •Структура современных инструментальных средств для разработки эс
- •Классификация инструментальных средств конструирования эс
- •Тенденции развития инструментальных средств конструирования эс
- •Приобретение знаний
- •Средства приобретения знаний
- •Методы психосемантики
«Горячие точки» ии (д.А. Поспелов, г.С. Осипов)
Переход от достоверного вывода к правдоподобному (от классического вывода к аргументации)
Дедукция → индукция + абдукция + аналогии + аргументация
Проблема обоснования результата
СОД: Решение = данные + алгоритм
ИИ (СОЗ): Решение = знания + вывод + обоснование
Порождение объяснения
Продукционные правила: Если <условие применимости>, то <результат, k>
Why
How
F1 v F2 → ci, ki
F3 & F4 → cj, kj
ci & cj → R, kR
Движение вниз
how
why
kj
ki
kR
ci
cj
R
F1
F2
F3
F4
Трассировка вверх
Пример:
Человек разглядывает портрет. "Чей это портрет вы рассматриваете?" - спрашивают у него, и человек отвечает: "В семье я рос один, как перст, один. И все ж отец того, кто на портрете, - сын моего отца". Чей портрет разглядывает человек?
С – смотрящий, П – портрет, отношение Сын (х, у)
Сын (Отец(С), Отец(П))
х (Сын(Отец(С), х))→х=С \\ «нет братьев и сестер»
(П) = С
Поиск релевантных знаний (data mining & knowledge discovery)
DM– прагматический аспект:
Хранилище → отбор данных → информация (связанные структурированные данные, которые точно имеют отношение к задаче) → знания → метод решения.
KD– когнитивный познавательный аспект:
Наблюдаемые факты → обобщенные факты → эмпирические гипотезы → теоретические законы.
Понимание текста
Система ТЕКРИС: текст ↔ образ
Синтез текста
Синтактика – формализуема
Семантика – частично формализуема
Прагматика - ?
SemanticWeb
Когнитивная графика
Когнитивные науки (связанные с познавательными процессами)
Лица Чернова (Chernoff)
Мультиагентные системы
Реактивные агенты когнитивные агенты интеллектуальные агенты
Карл Саган «Драконы Эдема: рассуждения об эволюции»
Мозг 1375грамм в среднем
Homohabilis– 500 – 800 гр
Homo erectus – 750 – 1250 гр
Homo sapiens – 1100 – 2200 гр
Семантические сети (СС) + антологии
Формализация метазнаний (знания о знаниях)
Основные этапы развития ис (эс)
ИИ
Бионический подход Информационный подход
(Нейробиологический) (символьно-логический)
Попытки моделировать человека или органы человека
(распознавание образов, символов)
Х → F → Y
Y = F(X)
|
|
α1 1 1 11 λ1 | ||
|
|
|
|
Σ Ψ |
|
|
| ||
|
|
|
|
λn θ |
|
|
|
|
αn |
Ψ(х) = 1
Сейчас популярен системный подход – используются оба направления.
Softcomputing(«мягкие» вычисления) – нейро-сети + генетические алгоритмы + нечеткие логики → эволюционное моделирование
Конец 50х-60е – логическая парадигма (моделирование левополушарных механизмов)
Была построена GPS(Newell,Shaw,Simon)
1958г – LISP(McCarthy)
70е – Prolog
70е годы – отказались от парадигмы универсальных решений; упор на системы, основанные на знаниях (ЭС); ориентировка на решение определенного класса задач на уровне эксперта.
Для плохо формализованных слабо структурированных задач:
F(x) →ext
xXдоп
Модели (средства) представления знаний:
Логические МПЗ (ИППП) → неклассические логики
Дедукция → абдукция + индукция + аналогии + аргументация
Продукционные МПЗ (90% всех систем)
С помощью правил продукции «если <УП>, то <результат, k>»
1975г – OPS5 (написан наLISP): правила продукции + фреймы; плохо представляются структурированные знания (поэтому использовались фреймы)
1965г – Dendral(спектрограммы)
1969г – Macsima
70е годы – системы HearsaiI→HearsaiII– агент-коммуникатор (идея классной доски);Mycin→ ЕMycin→TeirasiasProspection(полезные ископаемые, используется байесовский метод) →Kas
Модели представления структурированных знаний
Семантические сети и фреймы (M.Minsky)
<имя фрейма, <слот>>
<имя слота, тело, комметарий>
Интегрированные (объектно-ориентированные) МПЗ
85г – CLIPS(COOL)
1948г – Н.Виннер «Кибернетика»
1955г – «Логик-теоретик», Newell, Simon, Shaw
1955-56г – J.McCarthy→AI
1956г – школа-семинар – официально озвучили термин AI
1957г – универсальный решатель задач GPS
1971-74г – Prolog
Начало 70х – новые исследования в ИИ (ЭС) и представлении знаний, работы по анализу естественного языка и машинного обучения, машинное зрение и тп.
1975г – MinskyпредложилFrame
Середина 70х – ЭС – DendralиMycin
Конец 70х – первые коммерческие ЭС: XConдля фирмыDec(3000 правил, позволила комплектовать 10 типов компьютеров)
Устройство: дисковод
Тип: Е1203 фрейм
…
1980г - создание американской ассоциации ИИ (AAAI)
Середина 80х – бум по поводу успехов ЭС
Prospector
Folio
Willard
EmptyиShell(пустые ЭС и системные оболочки)
LISPиPrologмашины для разработки ЭС
Конец 80х – проблемы:
сложность поддержки массивных БЗ,
негибкость,
высокая стоимость разработки,
трудности работы с противоречиями,
невозможность обмена знаниями между ЭС,
необучаемость,
проблема извлечения и структурирования знаний.
Появилось направление «Инженерия Знаний» (KnowledgeEngineering)
Статические ЭС
Интерфейс с внешними программными средствами
Ядро ЭС
БД(РП) Решатель БЗ
Пользователь
Блок приобретения и накопления знаний
Блок объяснения результата
Интерфейс пользователя
ЛПР Э (КЕ)
формирование знаний → полнота, неопределенность
этапы
принятие решений
1997г – Deep Blue vs Каспаров
Конец 1999-2000е – коммерческие ИС:
Звук в текст (распознавание речи > 100 тыс слов+дикторский текст, распознавание голосовых сообщений <1000 слов+ «зашумленные» данные)
Автоматизированное реферирование текста (SemanticWeb)
СППР (финансы, банковская сфера)
Множественные ЭС
Системы-помощники (Help Desk Support Systems)
Интегрированные и динамические ЭС
Динамические ЭС:
Статическая ЭС Блок моделирования
Генерация исходной информации
Прогнозы при нескольких вариантах решения
Прогнозы последствий принимаемых решений
Интерфейс с внешним объектом
Датчики Контроллеры
Rethink
GDA
NeurOnline (моделирование нейронных сетей)
G2
Основные преимущества ЭС:
Расширение сферы решаемых задач на трудно формализуемые и слабо структурированные
Тиражирование уникальных знаний экспертов
Устранение недостатков современного программирования
Объединение технологии ИИ и современного программирования
Широкая доступность ЭС
Робастность ЭС (по мере ухудшения исходных данных уменьшается качество ответа, но система не отказывается найти его)
Устойчивость работы
Быстрый отклик системы, возможность объяснения результата
Используются как интеллектуальный доступ к информации и в качестве учителя