1. Искусственный интеллект как направление автоматизации разумного поведения. Методы искусственного интеллекта.

Иску́сственный интелле́кт (ИИ, англ. Artificial intelligence, AI) — 1) наука и технология создания интеллектуальных машин, особенно интеллектуальныхкомпьютерных программ^[1]; 2) свойство интеллектуальных систем выполнять творческие функции, которые традиционно считаются прерогативой человека.^[2]

ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.^[1]

2. Данные и знания. Модели представления знаний.

Модели представления знаний

На рис. 2.10 приведена классификация моделей представления знаний.

В процедурных моделях логическая модель реализует как объекты, так и правила с помощью предикатов первого порядка, является строго формализованной, использующей с универсальный дедуктивный и монотонный метод логического вывода «от цели к данным».

Рис. 2.10. Классификация моделей представления знаний

Под предикатом понимается логическая функция на N – аргументах (признаках), которая принимает истинное или ложное значение в зависимости от значений этих аргументов.

Продукционные модели используются для решения более сложных задач, которые основаны на применении эвристических методов представления знаний, позволяющих настраивать механизм вывода на особенности ПрО и учитывать неопределенность знаний.

В такой модели основной единицей знаний служит правило в виде

«если «посылка» , то «заключение» »,

с помощью которого могут быть выражены пространственно-временные, причинно-следственные, функционально-поведенческие (ситуация – действие) отношения объектов. Эта модель предназначена, главным образом, для описания последовательности различных ситуаций или действий и в меньшей степени для структурированного описания объектов.

Для логической модели характерна строгость формального аппарата получения решения. Однако полный последовательный перебор всех возможных решений может приводить к комбинаторным взрывам, в результате чего решение поставленных задач может занимать недопустимо много времени. Работа с неопределенностями знаний должна быть запрограммирована в виде самостоятельных метаправил, что на практике затрудняет разработку БЗ с помощью логического формализма.

Семантическая сеть отображает разнообразные отношения объектов.

Фреймовая модель как частный случай семантической сети использует для реализации операционного знания присоединенные процедуры.

Объектно-ориентированная модель как развитие фреймовой модели, реализуя обмен сообщениями между объектами, в большей степени ориентирована на решение динамических задач и отражение поведенческой модели.

Для обработки неопределенностей знаний продукционная модель использует, как правило, либо методы обработки условных вероятностей (байесовский подход), либо методы нечеткой логики.Такой подход предполагает начальное априорное задание некоторых гипотез (значений достигаемых целей), которые последовательно уточняются. С учетом вероятностей формируются апостериорные вероятности.

Для байесовского подхода к построению продукционной БЗ характерна большая трудоемкость статистического оценивания априорных шансов и факторов достаточности и необходимости.

Логические модели

Одним из методов представления знаний является логический метод, в основе которого лежит логика пре­дикатов [28]. Удобство его использования заключается в том, что свойственный ему механизм вывода, во-первых, допускает высокую степень формализации и обладает привычными математическими свойст­вами, и, во-вторых, может быть непосредственно за­программирован.

Одним из центральных вопросов логики предикатов является вопрос о том, можно ли из не­скольких исходных логических формул получить конеч­ную. Например, можно ли из каких-либо предпосылок вычислить заключение.

Логика предикатов является обобщением и рас­ширением логики высказываний, а высказывание яв­ляется центральной категорией логики предикатов.

Высказыванием называют предложение, которое мо­жет принимать одно из двух значений: истина или ложь.

Логика предикатов имеет свои синтаксис и алфа­вит. Алфавит обычно состоит из символов шести типов, обозначаемых буквами без индексов или теми же буквами с индексами:

1. Переменные: х, у, z, и , w.

2. Константы: а, b, с, d, e .

3. Функциональные символы: f, g, h .

4. Предикативные символы: р, r, s, t .

5. Логические символы:, , , , , ;

6. Вспомогательные символы: запятые, скобки, иначе символы, не входя­щие в первые пять групп.

Предикативные символы служат для описания свойств объектов предметной области и отношений между ними.

При построении ИОС строится последовательность проведения работ по преобразованию предметно-ориентированного языка в язык предикатов, т. е. демонстрируется сведение контекстно-зависимого (естественного языка человека) предметно-ориентированного языка к машинно-представимому, что является основой для построения ОС, в которых реализуется возможность интеллектуального управления процессом обучения.

Продукционные модели

Продукционный метод является наиболее рас­пространенной моделью представления знаний в экс­пертных системах [14, 28 ]. В его основе лежат так называемые продукционные правила, или продукции, которые с помощью импликации связывают факты: «если A, то B». Правила устанавливают связь между фактами (знаниями вида «A это A»), содержащимися в условной части (А), и фактами, находящимися в заключительной его части (В).

Часто конкретные факты описывают состояния (человек или искусственная система формирования понятий). Объекты можно различать по тем значениям, которые имеют характеризующие их признаки, или атрибуты, т. е. те неотъемлемые свойства объекта (предмета), без которого тот не может существовать.

Применительно к воздушной навигации определение траектории звучит следующим образом: «траектория полета – пространственная линия, описываемая центром масс летательного аппарата при движении».

Системы, основанные на продукционном методе пред­ставления знаний, называют продукционными (рис. 2.11).

Рис.2.11. Фрагмент продукционной системы

Эти системы включают в себя три обязательных компонента: базу правил, базу данных, или рабочую память, и интерпретатор, или механизм вывода.

База правил (БП) является частью базы знаний и состоит из набора продукций (правил вывода). База данных (БД) содержит множество фактов, описывающих исходную ситуацию, заданную пользователем системы, а также факты, выведенные из исходных при срабатывании правил, т. е. являющиеся заключением этих правил. Механизм вывода осуществляет просмотр фактов в базе данных и сопоставление их с фактами из условной части правил, находящихся в базе правил, а также определяет порядок просмотра этих правил. Если при просмотре какого-либо правила окажется, что все факты из его условной части имеются и в базе данных, то условная часть правила считается истинной, в противном случае она считается ложной. Так просматриваются все правила и факты.

Семантические сети и графы

Важным шагом на пути выявления структуры, при­сущей знаниям, является построение моделей, в которых в явной форме выделены объекты, образующие её структуру [14, 28]. В основе таких моделей лежит понятие сети, состо­ящей из вершин, или узлов, соединенных дугами. С вершинами этой сети сопоставляются понятия (объекты, события, процессы, явления и др.), а с дуга­ми – связи, или отношения, существующие между этими понятиями.

Графическое изображение элемен­тов сети произвольное. Объекты могут изображаться точками, кружками, прямоугольниками и другим образом, дуги могут быть прямыми, ломаными, кривы­ми линиями.

Семантические сети (СС), с одной стороны, имитируют понимание естественного языка человеком, а с другой, придают фактическим знаниям графовую структурированную организацию, они представляют собой так называемые ориентиро­ванные графы [14]. Построение СС как графа помогает осмыслению знаний, способствует их конкре­тизации, выявлению противоречий, обнаружению не­достающей информации и т. п.

В качестве понятий СС обычно выступают абстрактные или конкретные объекты. Тип отношений может быть самым разным, что позволяет в достаточной мере обеспечить в них такой признак знаний, как связность. В общем случае это означает, что в виде СС можно отобразить знания, заключенные в текстах на естественном языке.

В этом примере передаются отноше­ния «абстрактное» – «конкретное» и свойства объектов, их функциональные связи.

Рис. 2.12. Представление определения угловой скорости разворота с помощью семантической сети

Семантические отношения могут быть условно разделены на четыре класса: лингвистические, логические, теоретико-множественные и квантификационные.

В общем случае СС должна обес­печивать:

– хранение сведений о понятиях и связях между ними;

– возможность поиска понятий по заданным характеристикам (связям с другими понятиями);

– возможность пополнения и кор­ректировки знаний системы в процессе обучения (ввод новых понятий, установление новых связей, удаление существующих понятий и связей);

– возможность осуществления процедуры обобщения и конкретизации знаний; – отражение иерархичности предметных знаний;

– понятность для эксперта – специалиста в ПрО [14].