ВОПРОСЫ ГОСУДАРСТВЕННОГО ЭКЗАМЕНА

161

К оглавлению ↑

выборесли может быть применено несколько правил, то выбирается только одно по какомулибо критерию.

Срабатываниеесли образец правила совпал с каким-либо фактом, то правило срабатывает

Действия – в рабочую память добавляются заключения сработавшего правила

Семантическая сеть.

Семантическая сеть — это ориентированный граф, вершины которого — понятия, а дуги — отношения между ними.

Набор наиболее используемых отношений в семантической сети:

связи, определяющие тип объектов ("это есть« или "класс-подкласс", "иметь частью" или "частьцелое", "принадлежать" или "элемент-множество"и т.п.);

функциональные связи (определяемые обычно глаголами "производит", "влияет" …);

количественные ("больше", "меньше", "равно" …);

пространственные ("далеко от", "близко от", "за","под", "над" ...);

временные ("раньше", "позже", "в течение" …);

атрибутивные связи (иметь свойство, иметь

значение...);

логические связи ("и", "или", "не") и др.

163

К оглавлению ↑

Одним из наиболее важных способов представления знаний является представление знаний средствами логики предикатов первого порядка. Этот способ является основой языка Пролог

Формальной системой называют множество абстрактных объектов, в котором определены правила манипулирования множеством символов, обработанных синтаксическим образом, т.е. без учета смысла (семантики).

Формальную систему составляют:

1)конечный алфавит (конечное множество символов);

2)процедура образования формул (или слов) формальной системы;

3)множество формул, называемых аксиомами;

4)конечное множество правил вывода, позволяющих получать конечное множество формул.

Литература: [1], [2], [5].

3. Интеллектуальные информационные системы

Системы с интеллектуальным интерфейсом.

Обмен данными между конечным пользователем и ЭС выполняет программа интеллектуального интерфейса, которая воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель. Важнейшим требованием к организации диалога пользователя с ЭС является естественность, которая не означает буквально формулирование потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.

Экспертные системы и решаемые ими задачи.

В начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название "экспертные системы" (ЭС).

164

К оглавлению ↑

Экспертные системы (ЭС) — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей. Исследователи в области ЭС для названия своей дисциплины часто используют также термин "инженерия знаний", введенный Е.Фейгенбаумом как "привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов". Программные средства, базирующиеся на технологии экспертных систем, или инженерии знаний, получили значительное распространение в мире.

Экспертные системы отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма).

Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

Программист разрабатывает ИС (если ИС разрабатывается заново), содержащее в пределе все основные компоненты ЭС, и осуществляет его сопряжение с той средой, в которой оно будет использовано.

Экспертная система работает в двух режимах: режиме приобретения знаний и в режиме решения задачи (называемом также режимом консультации или режимом использования ЭС).

Врежиме приобретения знаний общение с ЭС осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных

иправил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.

Врежиме консультации общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. ЭС при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее.

Класс "экспертные системы" сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям (рис. 1.6).

165

К оглавлению ↑

Рис. 1.6 Классификация ЭС

Классификация по решаемой задаче

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных. Например, обнаружение и идентификация различных типов океанских, определение основных свойств личности по результатам психодиагностического тестирования и др.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Например, диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ и др.

Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Например, контроль за работой электростанций, помощь диспетчерам атомного реактора, контроль аварийных датчиков на химическом заводе и др.

Проектирование. Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов — чертеж, пояснительная записка и т.д. Для организации эффективного проектирования и, в еще большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения. Примером может быть проектирование конфигураций ЭВМ, синтез электрических и др.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров "подгоняются" под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками. Например, предсказание погоды, оценки будущего урожая, прогнозы в экономике и др.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности. Например, планирование поведения робота, планирование промышленных заказов, планирование эксперимента и др.

166

К оглавлению ↑

Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом "ученике" и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в следующем: если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально строится из решений компонентов или подпроблем. Задача анализа — это интерпретация данных, диагностика; к задачам синтеза относятся проектирование, планирование. Комбинированные задачи: обучение, мониторинг, прогнозирование.

Самообучающиеся системы (индуктивные системы, нейронные сети, системы, основанные на прецедентах).

Индуктивные системы

позволяют обобщать примеры на основе принципа индукции (от частного к общему). Индукция – умозаключение, в котором связь посылок и заключения не опирается на

логический закон => заключение вытекает из принятых посылок не с логической необходимостью, а с некоторой вероятностью. Индукция может давать из истинных посылок ложное заключение.

Индукции противопоставляется дедукция – умопоставление, в котором связь посылок и заключений опирается на законы логики, и в котором заключение следует с логической необходимостью.

Пример: Енисей течет с юга на север, Лена, Обь, Иртыш так же. Енисей, Лена, Обь, Иртыш – крупные реки Сибири. Заключение: Все крупные реки Сибири текут с юга на север.

Процесс классификации (обобщение примеров от частного к общему):

1)выбирается признак классификации из множества заданных.

2)по значению выбранного признака множество примеров разбивается на подмножества.

3)выполняется проверка, принадлежит ли каждое из вновь образованных подмножество примеров одному из подклассов.

4)выполняется проверка, если какое-то подмножество примеров принадлежит подклассу, то процесс классификации заканчивается, все остальные признаки игнорируются.

5)для подмножества примеров, у которых значения классификационного признака не совпадают, процесс распознавания продолжается.

Спрос – Высокий – Цена высокая -низкий – издержки большие – цена высокая

- издержки маленькие, цена низкая.

Каждая ветвь дерева соответствует одному правильному решению, например, если спрос=низкий и издержки = маленькие, то цена=низкая.

Системы, основанные на прецедентах.

В этих системах БЗ содержит описания не обобщенных ситуаций, а собственно сами ситуации или прецеденты. Тогда поиск решения проблемы сводится к поиску по аналогии:

167

К оглавлению ↑

1.Получение подробной информации о текущей проблеме;

2.Сопоставление полученной информации со значениями признаков прецедентов из БЗ;

3.Выбор прецедента из БЗ, наиболее близкого к рассматриваемой проблеме;

4.В случае необходимости выполняется адаптация выбранного прецедента к текущей

проблеме;

5.Проверка корректности каждого полученного решения;

6.Занесение детальной информации о полученном решении в БЗ.

Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Но в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Обучение системы сводится к запоминанию каждой новой обработанной ситуации с принятыми решениями в базе прецедентов.

Системы, основанные на прецедентах, применяются как системы распространения знаний с расширенными возможностями или как в системах контекстной помощи.

Описание ситуации (проблемы) Не печатает принтер

Нейронные сети

Самый важный элемент нейросистем - это адаптивный сумматор. Адаптивный сумматор вычисляет скалярное произведение вектора входного сигнала x на вектор параметров. Адаптивным называем его из-за наличия вектора настраиваемых параметров (рис 3.1.).

Рис. 3.1 Адаптивный сумматор.

Следующий важный элемент - нелинейный преобразователь сигнала (рис. 3.2.). Он получает скалярный входной сигнал x и переводит его в φ(x).

Рис. 3.2. Нелинейный преобразователь сигнала.

Точка ветвления (рис. 3.3.) служит для рассылки одного сигнала по нескольким адресам. Она получает скалярный входной сигнал x и передает его всем своим выходам.

168

К оглавлению ↑

Рис. 3.3 точка ветвления.

Линейная связь синапс (рис. 3.4.) отдельно от сумматоров не встречается, однако для некоторых рассуждений бывает удобно выделить этот элемент Он умножает входной сигнал x на «вес синапса»

Рис. 3.4. Синапс.

Стандартный формальный нейрон (рис. 3.5.) составлен из входного сумматора, нелинейного преобразователя и точки ветвления на выходе

Рис. 3.5. Стандартный формальный нейрон Чтобы отразить суть биологических нейронных систем, определение искусственного нейрона

дается следующим образом:

Он получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов.

Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синаптической активности биологического нейрона.

С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (она также называется пост-синаптическим потенциалом нейрона - PSP).

Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.

Если при этом использовать ступенчатую функцию активации (т.е., выход нейрона равен

нулю, если вход отрицательный, и единице, если вход нулевой или положительный), то такой нейрон будет работать точно так же, как описанный выше естественный нейрон (вычесть пороговое значение из взвешенной суммы и сравнить результат с нулем - это то же самое, что сравнить взвешенную сумму с пороговым значением). В действительности, пороговые функции редко используются в искусственных нейронных сетях. Веса могут быть отрицательными, - это значит, что

169

К оглавлению ↑

синапс оказывает на нейрон не возбуждающее, а тормозящее воздействие (в мозге присутствуют тормозящие нейроны).

Это было описание отдельного нейрона. Теперь возникает вопрос: как соединять нейроны друг с другом? Если сеть предполагается для чего-то использовать, то у нее должны быть входы (принимающие значения интересующих нас переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Входы и выходы соответствуют сенсорным и двигательным нервам - например, соответственно, идущим от глаз и в руки. Кроме этого, однако, в сети может быть еще много промежуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой.

Ключевой вопрос здесь - обратная связь. Простейшая сеть имеет структуру прямой передачи сигнала: Сигналы проходят от входов через скрытые элементы и в конце концов приходят на выходные элементы. Такая структура имеет устойчивое поведение. Если же сеть рекуррентная (т.е. содержит связи, ведущие назад от более дальних к более ближним нейронам), то она может быть неустойчива и иметь очень сложную динамику поведения. Рекуррентные сети представляют большой интерес для исследователей в области нейронных сетей, однако при решении практических задач, по крайней мере до сих пор, наиболее полезными оказались структуры прямой передачи.

Типичный пример сети с прямой передачей сигнала показан на рисунке 3.6. Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных переменных. Каждый из скрытых и выходных нейронов соединен со всеми элементами предыдущего слоя. Можно было бы рассматривать сети, в которых нейроны связаны только с некоторыми из нейронов предыдущего слоя; однако, для большинства приложений сети с полной системой связей предпочтительнее.

Рис. 3.6. Пример нейронной сети.

При работе (использовании) сети во входные элементы подаются значения входных переменных, затем последовательно отрабатывают нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое значение активации, беря взвешенную сумму выходов элементов предыдущего слоя и вычитая из нее пороговое значение. Затем значение активации преобразуются с помощью функции активации, и в результате получается выход нейрона. После того, как вся сеть отработает, выходные значения элементов выходного слоя принимаются за выход всей сети в целом.

Литература: [3], [4].

3. Экспертные системы

Структура статической экспертной системы.

Типичная статическая ЭС состоит из следующих основных компонентов (рис. 1.5):

решателя (интерпретатора);

рабочей памяти (РП), называемой также базой данных (БД);

базы знаний (БЗ);

компонентов приобретения знаний;

170

К оглавлению ↑

объяснительного компонента;

диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.

База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

Рис. 1.5 Структура статической ЭС

Вразработке ЭС участвуют представители следующих специальностей:

эксперт в проблемной области, задачи которой будет решать ЭС;

инженер по знаниям - специалист по разработке ЭС (используемые им технологию, методы называют технологией (методами) инженерии знаний);

программист по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭС.

Необходимо отметить, что отсутствие среди участников разработки инженеров по знаниям (т.

е. их замена программистами) либо приводит к неудаче процесс создания ЭС, либо значительно удлиняет его.

Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в ЭС знаний.

Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы ЭС; осуществляет выбор того ИС, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом ИС; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.