Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Системы искусственного интеллекта. Инструменты разработки. Экспертные системы. Учебное пособие

.pdf

Скачиваний:

Добавлен:

07.09.2026

Размер:

1 Мб

Скачать

☆

1 / 61 2 3 4 5 6 > Следующая >>>

Министерст во науки и в ысш его образования Российской Федерации

ФЕ ДЕ РА ЛЬ Н ОЕ ГО СУДА РС ТВЕ НН ОЕ БЮДЖЕ ТН О Е О БРАЗ ОВ АТЕ ЛЬ НОЕ УЧ РЕ ЖДЕ НИЕ ВЫ СШ ЕГО О БР А ЗОВ АН ИЯ

«Санкт-Петербургский государственный университет

промышленных технологий и дизайна»

В. И. Пименов

И. А. Небаев

Системы

искусственного интеллекта.

Инструменты разработки.

Экспертные системы

Утверждено Редакционно-издательским советом

университета в качестве учебного пособия

Санкт-Петербург

2023

УДК 004.8(075.8) ББК 32.813я73 П32

Рецензенты:

доктор технических наук, профессор Санкт-Петербургского государственного

университета промышленных технологий и дизайна

А. Б. Кикин;

кандидат технических наук, ведущий специалист отдела информационных

технологий ООО «НПО Новые Медиа Системы» (НМС),

А. Л. Раздов

Пименов, В. И.

П32

Системы искусственного интеллекта. Инструменты разработки. Экспертные системы: учебное пособие / В. И. Пименов, И. А. Небаев. – Санкт-Петербург.: ФГБОУВО «СПбГУПТД», 2023. – 55 с.

ISBN 978-5-7937-2236-0

Учебное пособие разработано в соответствии с программой и учебным

планом дисциплины «Системы искусственного интеллекта» для студентов вузов, обучающихся по направлению подготовки 09.03.03 – Прикладная информатика в экономике (бакалавр). В учебном пособии представлен теоретический и практико-ориентированный материал по темам, связанным с экспертными системами и машинному обучению. Особое внимание уделено примерам решения практических прикладных задач с использованием современных интеллектуальных инструментов обработки данных (Python, Scikit-Learn,

ESWin).

Предназначено для подготовки бакалавров и специалистов в области

информационных технологий и прикладной информатики.

УДК 004.8(075.8) ББК 32.813я73

ISBN 978-5-7937-2236-0

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ.......................................................................................................... 4

1. ОСНОВЫ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ........................... 5

1.1. Методы извлечения знаний ....................................................................... 5

1.1.1. Прямой перенос знаний эксперта...................................................... 5

1.1.2. Технологии интеллектуального анализа данных .............................. 7

1.2. Модели представления знаний .................................................................. 8

1.2.1. Логическая модель представления знаний........................................ 8

1.2.2. Семантическая модель представления знаний .................................. 9

1.2.3. Фреймовая модель представления знаний ........................................ 9

1.2.4. Продукционная модель представления знаний ................................. 9

2. ИНСТРУМЕНТАЛЬНЫЕ СРЕДСТВА РАЗРАБОТКИ СИИ ......................... 12

2.1 Среда разработки и программное окружение........................................... 12

2.2 Машинное обучение на основе дерева решений ...................................... 16

2.3 Лабораторная работа. Реализация дерева решений .................................. 21

3. ЭКСПЕРТНЫЕ СИСТЕМЫ ........................................................................... 28

3.1. Компоненты экспертной системы ........................................................... 28

3.2. Этапы разработки экспертной системы................................................... 30

3.2.1. Идентификация задачи.................................................................... 30

3.2.2. Концептуализация ........................................................................... 31

3.2.3. Лабораторная работа. Идентификация и выбор предметной области

ЭС. Определение целевого показателя ЭС...................................... 33

3.2.4. Формализация знаний ..................................................................... 33

3.2.5. Лабораторная работа. Представление системы правил................... 36

3.2.6. Выбор инструментального средства: оболочка ESWin ................... 36

3.2.7. Реализация экспертной системы в ESWin....................................... 41

3.2.8. Лабораторная работа. Разработка базы знаний с помощью

инструментальных средств разработки ESWin ............................... 46

3.2.9. Тестирование экспертной системы ................................................. 47

3.2.10. Лабораторная работа. Тестирование экспертной системы............ 51

ЗАКЛЮЧЕНИЕ.................................................................................................. 52

ВОПРОСЫ К ЗАЧЕТУ ...................................................................................... 53

БИБЛИОГРАФИЧЕСКИЙ СПИСОК ................................................................ 55

ВВЕДЕНИЕ

Системы искусственного интеллекта (СИИ) – одна из передовых областей

компьютерной науки и науки о извлечении знаний и машинном обучении. Эффективность прикладной деятельности в области применения СИИ зависит от умения объединять теорию и практику. Именно этот факт и обусловил содержание данного учебного пособия: наряду с освоением базовых знаний в области СИИ, развить навыки в понимании алгоритмов работы искусственного интеллекта на практике, используя современные инструментальные и программные средства.

В процессе изучения студенты знакомятся с основными этапами и направлениями исследований в области систем искусственного интеллекта; методами извлечения (приобретения) знаний и построения баз знаний; классификацией систем, основанных на знаниях; структурой систем искусственного интеллекта; экспертными системами как видом систем искусственного интеллекта; характеристиками и базовыми функциями экспертных систем; технологиями манипулирования знаниями; управлением вывода в продукционной системе; этапами разработки систем искусственного интеллекта.

Примеры и задания, представленные в пособии, носят практикоориентированный характер, и посвящены разработке СИИ, начиная с идентификации проблемы, концептуализации знаний, их формализации, заканчивая реализацией и тестированием полученного представления машинного интеллекта.

1. ОСНОВЫ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Среди работ по искусственному интеллекту (ИИ) выделяются прикладные исследования, которые в первую очередь связаны с разработкой программноаппаратных комплексов, способных реализовывать некоторые функции естественного интеллекта. Такие комплексы называются системами искусственного интеллекта (СИИ). Поскольку естественный интеллект реализуется, главным образом, в ходе обработки знаний, СИИ иногда называют системами, основанными на знаниях. Эти системы позволяют пользователю (непрограммисту) ставить и решать свои, традиционно считающиеся интеллектуальными, профессиональные задачи, общаясь при этом с компьютером на ограниченном подмножестве естественного языка.

В направлениях работ по созданию систем искусственного интеллекта выделяются два основных направления [1]. Первое из них основывается на изучении и моделировании процессов логического мышления человека как способности к содержательной обработке знаний (результаты этого направления ИИ чаще всего сводятся к разработке так называемых экспертных систем). Второе базируется на воспроизведении структуры мозга человека и построении адекватных ему моделей. При этом основное внимание уделено моделированию отдельных низкоуровневых структур мозга (нейронов) и их взаимодействию (отсюда и направление  нейросети). Модели искусственных нейронных сетей обеспечивают создание СИИ, одним из основных достоинств которых является их способность к самообучению. Это свойство, иногда называемое нейроинтеллект, обеспечивает возможность делать важные шаги в создание высокоэффективных СИИ самого широкого назначения.

Несмотря на имеющиеся еще в СИИ несовершенства, потенциально они обладают целым рядом присущих только им существенных преимуществ. Если в основе систем лежат продуманные специалистами алгоритмы, то в рамках алгоритмов эти системы не совершают ошибок. В некоторых случаях к достоинствам СИИ относят отсутствие предубеждений, чувственных предпочтений, эмоций и т. п. Несомненно, в целом ряде ситуаций эти качества СИИ весьма полезны. Вместе с тем, именно эти преимущества и отличают их от поведения реального человека.

Разработка современных СИИ базируется на моделях знаний о рассматриваемой предметной области и правилах вывода с их помощью новых знаний и подлежащих исполнению решений.

1.1. Методы извлечения знаний

1.1.1. Прямой перенос знаний эксперта

Проектирование СИИ обычно осуществляется коллективом разработчиков, включающим специалиста в предметной области – с одной

стороны, и специалиста в сфере информационных технологий – с другой. Центральной задачей в процессе их коммуникации является извлечение (приобретение) и представление знаний.

Исходными для проектирования данными являются специальные тексты, знания эксперта (эксплицитные знания), описывающие предметную область, а также материал наблюдений, представленный в виде таблиц или базы данных

(рис. 1.1).

(

)

Извлечение знаний

Рис. 1.1. Источники и методы извлечения знаний

Соответствующий процесс извлечения знаний можно рассматривать в трех аспектах. На лингвистическом уровне основной задачей является концептуальное представление текстов в заданной предметной области (выявление ключевых терминов, формирование рабочего глоссария, отношений между понятиями) и построение соответствующей инфологической модели. При работе коллектива авторов над общим проектом эти задачи обычно решаются коммуникативными методами.

На когнитивном уровне коммуникативные методы позволяют воссоздать понятийную структуру эксперта (например, сведения о классах объектов и их описания через значения признаков), а текстологические – смысловую структуру (макроструктуру) специальных текстов.

Поиск закономерностей в наблюдениях является основой извлечения новых знаний из баз данных. Для извлечения и представления знаний о многомерных объектах используются модели, построенные методами машинного обучения. При заданной классификации объектов эти методы позволяют находить решающие правила, описывающих принадлежность объектов заданным классам, и формировать динамическую модель знаний предметной области. В конечном итоге выявляются имплицитные структуры

знаний, не поддающиеся определению текстологическими и коммуникативными методами.

1.1.2. Технологии интеллектуального анализа данных

Технология интеллектуального анализа данных (ИАД) или Data Mining представляет целый спектр методов, предназначенных для извлечения из данных практически полезных и доступных интерпретации знаний различного типа. Он включает две основные группы методов – индуктивные методы машинного обучения и статистические методы. Каждый из методов предназначен для решения определенного круга задач – кластеризации, установления зависимостей между переменными, классификации, выявления закономерностей между связанными событиями. При этом задается модель заданной структуры (например, нейронная сеть, дискриминантные функции, линейная регрессия), а ее параметры подстраиваются под данные, описывающие наблюдаемые объекты.

С направлением Data Mining пересекаются методы обнаружения знаний в базах данных (Knowledge discovery in data, KDD).

Статистические методы многомерного анализа данных относятся к методам прикладной статистики, которая включает не только методы описательной статистики, предназначенные для представления случайных величин, и методы проверки гипотез, но также методы обнаружения закономерностей, взаимосвязей между характеристиками объекта. К ним относятся корреляционно-регрессионный анализ, факторный анализ, метод главных компонент, анализ временных рядов и другие методы. Подбор параметров модели, представляющей зависимости между характеристиками многомерного объекта, выполняется на основе выборок методом наименьшего

квадрата. Для получения надежных моделей выборка должна быть представительной (репрезентативной).

Машинное обучение (Machine Learning) изучает методы и алгоритмы построения моделей, способных обучаться по прецедентам. Такое индуктивное обучение основано на извлечении знаний и закономерностей из данных. В отличие от дедуктивного обучения, которое основано на получении (эксплицировании) неявных знаний специалистов для дальнейшей их формализации в базе знаний (БЗ) экспертной системы.

Интеллектуальный анализ данных лежит в основе построения современных систем бизнес-аналитики (Business Intelligence, BI), которые относятся к информационным системам, поддерживающим процесс принятия решений. BI-системы позволяют анализировать большие объемы информации, выделяя ключевые факторы, влияющие на эффективность принимаемых решений, моделируют исход различных вариантов действий.

При обработке финансовой информации данные для анализа экспортируются из программ бухгалтерского учета, обрабатываются и

выносится заключение о финансовом состоянии, а также прогнозная динамика на будущее как в табличной форме, так и в виде графиков, диаграмм.

Умение эффективно обрабатывать неструктурированные данные – один из факторов успеха в науке, бизнесе, медицине и других сферах, где генерируются большие объемы информации. Целью изучения и анализа больших данных является получение организованного набора выходных данных с четкой структурой и обнаружение закономерностей.

Системы поддержки принятия решений, использующие большие объемы многомерных данных, находят применение при планировании стратегического развития предприятия, оценке текущей ситуации, стратегических альтернатив и интегральной эффективности управления корпорацией. Анализ и визуализация данных используются для выявления техносферных опасностей, сетевого оперативного мониторинга, представления кредитных историй клиентов банка, контроля состояния сложного технического объекта.

1.2. Модели представления знаний

Для формального описания знаний, манипулирования этими описаниями и формирования системы знаний в рассматриваемой предметной области разработаны десятки методов [2]. Чаще всего выделяют следующие группыОшибка! Источник ссылки не найден.:

− логические методы (язык предикатов);

− семантические сети;

− фреймы;

− правила-продукции;

− семиотические модели;

− нейронные сети.

Компьютерная реализация соответствующей системы знаний находит воплощение в базе знаний. Ее отличают ряд признаков:

1) внутренняя интерпретируемость и понимание семантики проблемной

области;

2) активность данных – на их основе появляются новые факты,

приводящие к инициализации процедур по управлению программой;

3) связность – установление между фактами и правилами различных

отношений.

1.2.1. Логическая модель представления знаний

Логическая модель основана на логике предикатов, обычно первого порядка. Выполняется формальный вывод (доказательство теорем) новых фактов или знаний. Правила имеют простую и ясную нотацию. Для

представления знаний используется распространенный язык логического программирования Пролог. Недостатки модели − сложность восприятия

большого количества формул и трудность структурирования знаний о многомерных объектах.

1.2.2. Семантическая модель представления знаний

Семантические сети представляют знания с помощью графа, в котором вершина − атомарный объект (событие), подграф − структурно сложный объект

(событие), дуга − отношение (например, целое - часть) или действие (например, сопоставление с образцом). Знания хорошо структурированы. Их вывод основан на различных методах поиска фрагмента сети по образцу, а получение новых знаний – на применении свойств отношений. Поэтому при большом числе объектов и их атрибутов сеть трудно обозрима, а операции на ней выполняются очень долго.

1.2.3. Фреймовая модель представления знаний

Фреймы образуют обычно иерархическую систему понятий посредством описания отношений (действий) и связанных этими отношениями (действиями) объектов. К подобному представлению знаний также можно отнести описания объектов и их действий в виде сценариев. Формализм фреймов основан на объектно-ориентированном подходе к структуризации знаний: фреймы-понятия – объекты типа “класс”, а фреймы-примеры описывают в своих слотах конкретные экземпляры объектов и конкретные отношения между ними. Структура знаний также прозрачна, но при большом количестве объектов рассматриваемой предметной области знания трудно обозримы и операции с фреймами выполняются очень долго.

1.2.4. Продукционная модель представления знаний

Продукции представляют собой правила (логические выражения) вида:

если условие то событие

или иначе

если антецедент то консеквент.

Система знаний формируется в виде продукционных правил и стратегии их выбора. Правила имеют простую и ясную нотацию, что особенно важно для осуществления эффективной семантической коммуникации между экспертом в предметной области и разработчиком интеллектуальной системы. Рассмотрим особенности их применения.

Концептуальная модель предметной области и система знаний могут быть представлены в виде древовидной логической схемы (поля знаний).

Для решения задач в продукционной СИИ существуют два основных метода логического вывода: обратный и прямой. Может использоваться и комбинация этих двух методов. При обратном логическом выводе процесс интерпретации правил начинается с правил, непосредственно приводящих к решению задачи. В них в правой части находятся заключения, являющимися решением (целевыми событиями). При интерпретации этих правил в процесс решения могут вовлекаться другие правила, результатом выполнения которых являются факты, участвующие в условиях конечных правил и т. д.

Таким образом, обратный вывод управляется целью и ведется от некоторой гипотезы к ее подтверждению. Прямой вывод управляется данными, запрашиваемыми у пользователя СИИ, и ведется от некоторого начального состояния к целевому.

При большом числе правил продукционные знания трудно обозримы и логический вывод выполняется очень долго. Часто для определения стратегии выбора, применяемой на каждом шаге продукции, используют различные эвристики.

Текущее состояние решаемой задачи называют статическими знаниями, а набор продукций – динамическими. В большинстве фреймовых систем функции, описывающие структурную модель предметной области, являются базовыми, а динамические знания и процесс логического вывода рассматриваются как надстройка. Классические продукционные системы используют для описания состояний триады “объект–атрибуты–значение”. Все множество знаний обычно структурируется на основе и-или графа (рис. 1.2). Событиями на нижнем уровне графа могут быть указание исходных компонентов, сочетание значений признаков объекта. Консеквент правила указывает категорию объекта. В реальных условиях, когда число объектов исчисляется десятками, а количество их признаков – сотнями, представление поля знаний вручную чрезвычайно затруднено: консеквенты большинства правил указывают на абстрактные категории, а увеличенное число условий в антецеденте трудно сформировать умозрительно. Автоматическое построение логической структуры в виде дерева решений возможно на основе применения алгоритмов обучения распознаванию образов.

1 / 61 2 3 4 5 6 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]