- •Литература:
- •Введение
- •Введение
- •Т → тi (тi– отображения текста)
- •ТекстАрхетипы – вещи для того, чтобы объяснить японцу, в чьем
- •Основные направления ии.
- •8. Мультиагентные с-мы (мас). Метод решения проблем
- •Основные этапы развития Интеллектуальных Систем. Направления ии. Направления
- •Развитие эс.
- •Классификация эс как приложения.
- •1. По типу приложения:
- •2. По типу проблемной области:
- •3. По стадии существования.
- •4. На какую вс ориентировано приложение.
- •Основные отличия данных от знаний
- •Обработка плохооопределеннлой информации в эс (соз)
- •Метод обработки неопределенности на основе субъективных коэффициентов уверенности (метод mycin).
- •Метод обработки неопределенности в guru
- •Обработка плохоопределенной информации с использованием Дерева Решений
- •Обработка неопределенностей лингвистического характера.
- •Операции на шкалах.
- •Извлечение знаний
- •Классификация методов извлечения знаний.
- •Методы и системы приобретения знаний.
- •Инструментальные средства. Конструирование эс
- •Классификация инструментальных средств конструирования эс (ис)
Основные направления ии.
Попов считал 2-мя глобальными, основными
н
ЕЯ
ЭС
Нарп. ИИ. №1 99г.
Поспелов Д.А., Осипов Г.С. «Десять горячих точек ИИ»:
П
ЭС
Понимание
ЕЯ
Машинное
зрение
Работы
Распозн. речи
зрение
Искусственные
нейрон. с-мы
ереход от вывода к аргументации.
Дедукция → Индукция + Аргументация + Аналогия
Проблема обоснования (оправдания) justification.
Порождение объяснений.
Поиск релевантных знаний.
Data mining
Источник - склад, хранилище данных
– факто о ПО через
сенсоры,
заинтерисовавшие
– данные, прошедшие
к-либо отбор и полезные нам
5. Понимание текста.
6
– обработанная
инф-ция,
представляющая правила и закономерности
7. Когнитивная графика (Зенкин «К. г.»).
8. Мультиагентные с-мы (мас). Метод решения проблем
9. Сетевые модели (знаки-фреймы).
10. Метазнания
25.09.02
Основные этапы развития Интеллектуальных Систем. Направления ии. Направления
Бионическое моделир.
Возникло до ИС. Информационный подход.
ч
х
R
AI
y
Minsky Y.
Papert S. Х – нач. данные, у – решение, такое же, как у
Матрица-сетчатка(первые на реле). Каждая человека.
клеточка связана собрабатывающим элементом.
х
|
|
|
|
|
|
|
|
|
φ1
φ2
φn
Σ
Ψ
θ
С-ма должна выдавать 1 если образ совпал
С исходником, в противном случае – 0.
Если есть некий образ Х, то
Объединяют методы нечеткие множества и сети (SoftComputing), неклассические логики.
С появлением ВМ бионическое отошло на второй план. Сейчас два наравления соединяются и появляется понятие «мягкие вычисления» (softcomputing). Нейронные сети, нечеткие алгоритмы, правдоподобный вывод.
Развитие эс.
60-е г.г.Логическая парадигма.
Погрузить задачу в ФС и решить ее, используя ФС (ИППП)
GSP ( Newell F., Show Y., Simon H.);
Prolog Lisp, Fuzzy Prolog; 1956-58 г.г. – с-ма логик-теоретик
1956 г. – появляется понятие ИИ.
70-е г.г.С-мы, основанные на знаниях (СОЗ) и предназначенные для решения определенного класса задач. В основном использовались для решения плохо формализованных и слабоструктурированных задач.
Решение = Знания + Вывод (правдоподобный) на знаниях + Обоснования
Специфика формализованных и слабоструктурированных задач:
Качественная форма представления задачи.
Нет четкого определения целевой ф-ции.
Х1, Х*
Не сущ-ет априорного алгоритма решения задачи (алг-тм строится в процессе решения задачи) или он сущ-ет, но не реализован из-за сложности вычислений.
Наличие «не факторов» различного рода.
Динамичность данных и знаний, т.е. и данные, и знания могут изменяться в процессе решения.
Необходимость обращения за дополнительной информацией в процессе решения задачи.
Большие поисковые пространства.
Отказались от универсальных решателей, стали строить ЭС или системы, основанные на знаниях экспертов и способные решить проблему на их уровне.
Модели представления знаний:
Логическое представление знаний, погружение в ФС (Prolog), реально ничего нет.
Продукционная модель представления знаний (if…then…) , это определенные микро знания (chunk).
<УП> <Результат>,k
ситуация действие
состояние действие
состояние i состояние j
- степень принадлежности, уверенности
Логическая ампликация. (но возможно: Если Земля квадратная, то я - президент США)
Понятие – базовые факты знания.
Суждение – то, что строится из понятия с использованием различных грамматик (напр. Москва – столица).
Умозаключение – строится из суждений для получения процесса рассуждения.
MYCIN– разработана в 1973 г. для медицинской диагностики.
TEIRESIAS- Появились субъективные коэффициенты уверенности.
EMYCIN– Коммерческая система.
Prospector– для анализа наличия полезных ископаемых.
КАS - коммерческая разработка.
DENDRAL– для анализа химических соединений (спектральный анализ).
Семантические сети фреймы.
Объектно ориентированная модель ПЗ (фреймы + правила).
Р
R
Новая пардигма: Решение = Зн + Поиск + Обоснование
Трудно представить структурированные проблемные оьласти. Появились семантические сети, в которых можно строить структурированные системы и задавать сетевые продукции.
<O,R>
-фрагмент.
80-е г.г.Гибридные ЭС.
02.10.02 г.
Определение: ЭС – системы ИИ, основанные на знаниях, предназначенные длярешения одного класса задач, на основе заложенных в них знаний специалистов и экспертов.
Статические ЭС.
2 этапа:
Этап проектирования (работает эксперт в паре с инженером знаний, БЗ проверяется на полноту и непротеворечивость)
Консультация (ППР)
Базовая архитектура статических ЭС
БЗ
(БП)
БД (РП)
Решатель
(БПР)
Интерфейс Эл. Табл., СУБД,
Прикладн. ПП
Блок объяснения
Интерфейс
с польз-лем
Блок накопления и преобразования
знаний знаний
БПР – блок принятия решений
Традиционно блок объяснений имеет следующую схему:
R
Ci Cj
F1F2….. Fn
В основе проверки с-мы Iпоколения лежат два вопроса:
How? Как получено решение (движение по дереву вверх)
Why? Почему система запросила эту информацию (движ. по дереву вниз)
Пример: с-ма запрашивает температура. Мы ей задаем вопрос
«Почему?». Она говорит, я запрашиваю температуру, т.к.
предполагаю, что у больного след. заболевание.
Как получили результат R– системе надо спуститься вниз по дереву и привести как получено решение.
Конец 70-х г.г. – коммерциализация AI
R1/XCON – VAX (PDP)
Meta - Dendral
Rete- Alg
1980 – 1988 Lisp–Mach(Lispмашины)
проект реализации ЭВМ IV-го поколения с внутренним языкомProlog
KEE expert tools
CLIPS
tools (среды разработки, инструмент. среды)
GURU Kappa LevelObj
EXSYS Prokappa Bro Nexpert Art * Enterprise
NSTCLIPS
Основные временные этапы конструирования ЭС (ИС).
1956-58 г.г.
1965 г. 1968 г. 1969 г. 1970 г. 1971 г. 1973 г. …
1975 г. 1977 г.
1980 г.
90-е |
Логик-теоретик (механизм эврестического поиска) Появление термина ИИ (J. McCarthy) Perceptron, GPS, Lisp DENDRAL Семантические сети MACSYMA Prolog (начало разработок языка) HEAR SAY I MYCIN EMYCIN shell для MYCIN HEAR SAY II – доска объявлений Фрейн OPS XCON/R1 Символические машины (Lisp машины) Были статические ЭС (Б№ и алгоритм вывода не меняются в процессе вычисления) Динамические ЭС (ИС): ЭС РВ (СППР РВ) Data Mining & Knowledge Discovery Soft Computing генетич. алг-мы., эволюционные алгоритмы, понимание ЕЯ, мультиагентные системы. |
Интегрированные ЭС
проблемно-ориентированные
предметно-ориентированные
Динамические ЭС:
- ЭС реального времени. Проблема: совместимость знаний и сохранение истинности.
Базовая архитектура динамических ЭС
Интерфейс с внешним объектом
Даткики
СЭС
Имитатор
(блок модели-
рования)
Контроллеры
Функции имитатора:
Имитация состояний на объекте в случае отказа датчиков. Имитатор объекта (ПО) в режиме тренажера (обучение ЛПР).
Прогнозирование последовательности принятия решения (прогнозирование развития ситуации).
Интегрир. ЭС – совокупность более или менее автономных частей (объектов).
Гибридная ЭС – нечто более единое, целое; части менее автономны; смесь механизмов представления знаний.
И
Выч. модель
Экспертн. с-ма
СУБД, ППП
ППП – пакеты
прикладных программ
Разновидности ИЭС:
проблемно-ориентированные с-мы;
предметно-ориентированные с-мы.
Динамические ЭС
Стадии разработки соответствующей инструментальной среды для реализации таких систем:
Статические ЭС Динамические ЭС
developmentcomplete
environmentenvironment
– процесс разработки и процесс выполнения происходит в одной среде, в процессе выполнения можно изменять среду.
Виды completeenvironment:
(Gensym)G2 – среда для конструир. ЭС РВ
GDA (G2 diagnostic system для моделиров.)
NeurOnline(моделир. нелинейной зависим.)
ReThink(бизнез – реинтениринг)
RT Works (Talarian)
Comdald X/C (Talarian)
Примеры: использ. G2 Nasa NORAD INTELSART SIRA
BusinessReingeering
Информационная составляющая Аналитическая составляющая
оценка рисков;
оценка надежности;
прогнозы.
23.10.02
Основные достоинства ЭС:
Доступность ЭС;
Уменьшение стоимости экспертизы;
Возможность применения в опасных для человека средах;
Постоянство (ЭС не устают);
Возможность проведения множественной экспертизы;
Увеличение надежности;
Возможность объяснять найденное решение;
Быстрый отклик;
Устойчивость ответа, отсутствие эмоциональности;
Интеллектуальный учитель;
Интеллектуальный доступ к данным (интеллектуальный поиск).
Основной коммерческий эффект от применения ЭС:
расширение круга задач, решаемых с помощью ЭВМ;
устраняются недостатки традиционного программирования;
объединение технологий интеллектуальных с-м и традиционного программирования (когнитивная графика).
23.10.02.