Pitannya_do_1_modulya_shtuchny_intelekt

Перелік питань залікової контрольної роботи

з дисципліни “Системи штучного інтелекту”

для студентів напрямку “Комп’ютерні науки” (третій курс)

1. Причини зростання інтересу до нових інтелектуальних технологій

2. Охарактеризуйте формулювання визначень штучного інтелекту, що стосуються розумових процесів і способів суджень (міркувань)

3. Найважливіші операції мислення людини

4. Класифікація основних напрямків досліджень в області штучного інтелекту

5. Інтенсіонал та екстенсіонал поняття

6. Поясніть на прикладі схему прямого виведення на множині продукційних правил

7. Характерні риси інтелекту

8. Охарактеризуйте формулювання визначень штучного інтелекту, що стосуються поведінки

9. Поясніть відмінність знань від даних в системах штучного інтелекту

10. Фази аналізу вхідних повідомлень в природномовних системах

11. Види знань і властивості знань

12. Поясніть на прикладі схему зворотнього виведення на множині продукційних правил

13. Охарактеризуйте типові інтелектуальні задачі

14. Коротка характеристика підходів до розробки систем штучного інтелекту

15. Властивості агентів

16. Проаналізуйте відомі вам визначення поняття “штучний інтелект” і запропонуйте своє

17. Коротка характеристика (основні результати) етапів розвитку штучного інтелекту

18. Етапи трансформації даних при обробці на комп’ютері

19. Чотири категорії класифікації визначень штучного інтелекту

20. Охарактеризуйте проблеми, що виникають, наприклад, при перекладі в алгоритмічну форму трьох законів робототехніки

21. Основна задача розробника систем штучного інтелекту з точки зору вимог до моделей представлення знань

22. Види знань і короткі характеристики моделей представлення знань

23. Продукційна модель представлення знань: коротка характеристика і приклад

24. Основні переваги продукційної моделі представлення знань

25. Управління виведенням в продукційних системах: прямий і зворотній ланцюжок виведення

26. Основні стратегії вирішення конфліктів у продукційних системах

Відповіді: 1. Причини зростання інтересу до нових інтелектуальних технологій що підтримують прийняття управлінських рішень:

1. Кумулятивний ріст релевантної (тої, що стосується справи) інформації робить необхідним застосування нових технологій для пошуку у величезній кількості інформації тенденцій, які потенційно загрожують існування організації або відкривають перспективи для бізнесу.

2. Динамізм зовнішнього середовища підвищує ймовірність прийняття не оптимальних управлінських рішень через брак часу.

3. Не визначеність у процесах прийняття рішень підвищує роль прогнозних моделей, що імітують різні функціональні компоненти бізнесу. Моделювання бізнес процесів відкриває можливості аналізу їх наслідків на стадії проектування і попереднього з’ясування і тим самим знижує ризик необґрунтованих витрат.

4. Процес стратегічного управління передбачає використання індуктивного мислення і методологію реінжинірингу бізнесу, тобто технологію і інструментарію засобу, що допомагають керівникові генерувати принципово нові рішення (огляд з майбутнього в сьогодення), а вже потім визначати проблеми, які необхідно перебороти організації.

5. Забезпечення перевагами прямо пов’язане з формуванням у керівників уяви про нові (раніше не відомі) потреби людей виходячи з можливостей пропонованих сучасними революційними технологіями.

4. Класифікація основних напрямків досліджень штучного інтелекту:

Однією з найтрадиційніших класифікацій напрямків досліджень у галузі штучного інтелекту є класифікація Е. Ханта:

1. Біологічний – в його основі лежать спроби вирішення інтелектуальних задач шляхом безпосереднього моделювання психофізіологічних особливостей мозку людини засобами комп’ютерної техніки. З часом стало зрозуміло, що розв’язати цю проблему в повному обсязі неможливо і не доцільно. Подібне моделювання особливостей людського розуму призведе до копіювання не тільки позитивних, але й негативних якостей. Таке вивчення оформилося у вигляді самостійної науки, яка дістала назву когнітивної психології.

2. Прагматичний – в ньому майже не розглядається психофізіологічна діяльність людського мозку, а розвиваються підходи до вирішення інтелектуальних задач не залежно від того, як співвідносяться ці підходи з цими процесами, що відбуваються в мозку людини.

Інша класифікація систем штучного інтелекту визначається моделями і методами, що використовуються для вирішення практичних задач:

1. Символьний – орієнтований на моделювання процесів свідомого логічного мислення.

2. Конекціоністський - орієнтований на моделювання підсвідомих рефлекторних процесів.

5. В база знань прийнято розрізняти екстенсіональну та інтенсіональну частину.

Екстенсіональною частиною бази знань називається сукупність усіх явних фактів.

Інтенсіональною частиною – сукупність усіх правил виведення та процедур, за допомогою яких, з існуючих фактів можна виводити нові твердження.

6. Пряме виведення починається з задання початкових даних вирішуваної задачі, які фіксуються у вигляді фактів робочої пам’яті системи. Правила, що застосовуються до початкових даних забезпечують генерацію нових фактів, що додаються в робочу програму. Процес продовжується до поки не буде отриманий цільовий стан робочої пам’яті.

1. G^H -> C

2. I^K ->D

3. L^M->E

4. N->F

5. O->F

6. C->A

7. D->A

8. E->B

9. F->B

10. A-> END

11. B->END

START = {L, M, N}уРПКМ	АП
0L, M, N-	-
1L, M, N3, 4	4
2L, M, N, F3, 9	9
3L, M, N, F, B3, 11	11
4L, M, N, F, B, END3	stop

7. Характерними рисами інтелекту, що проявляються в процесі вирішення задач є:

1. здатність класифікувати паттерн (оперативні одиниці сприйняття інформації і оперативні образи керованого об'єкту)

2. здатність до адаптивної зміни поведінки і навчання в залежності від змін в навколишньому середовищі

3. здатність до дедуктивного мислення (формування висновків з наявних посилань)

4. здатність до індуктивного мислення (до узагальнення)

5. здатність розробляти і використовувати концептуальні моделі (уявлення про сутність світу і про те, як використовується ця модель для розуміння й інтерпретації подій)

6. здатність розуміти (здатність бачити відношення в задачах й здатність оцінювати значення цих відношень для вирішення задач)

10. Традиційно в системах, що допускають спілкування на природній мові здійснюються декілька фаз аналізу вхідних повідомлень:

1. морфологічний аналіз – пошук основ слів з віднесенням їх до певних граматичних категорій, виявлення і виправлення орфографічних помилок (аналіз слів тексту)

2. синтаксичний аналіз – граматичний розбір речень і визначення їх лінгвістичної структури

3. семантичний аналіз – формування суті (змісту) речення на внутрішній мові системи

4. прагматичний аналіз – виявлення взаємозв’язку між реченнями в тексті

9. Дані — це окремі факти, що характеризують об'єкти, процеси і явища предметної області, а також їх властивості.

Знання базуються на даних отриманих емпіричним шляхом. Вони являють собою результат розумової діяльності людини спрямований на узагальнення людського досвіду отриманого в результаті практичної діяльності.

11. Знання можна класифікувати за наступними категоріями:

1. поверхневі знання (про видимі взаємозв'язки між конкретними подіями і фактами в предметній області)

2. глибинні знання — це абстракції, аналогії, схеми, що відображають структуру і природу процесів, в протікають в предметній області. Ці знання пояснюють явища і можуть використовуватися для прогнозування поведінки об'єктів.

Знання характеризуються рядом властивостей, що відрізняють їх від традиційних моделей даних:

1. внутрішня інтерпретована (при зберіганні поряд з традиційними даними зберігаються також інформаційні структури, що дозволяють інтерпретувати вмістиме комірок пам’яті)

2. структурованість (знання складаються з окремих інформаційних одиниць, між якими можна встановити класифікуючи відношення: рід, вид, клас, елемент класу)

3. зв’язність (між інформаційними одиницями передбачаються зв’язки різного типу: причина-наслідок, одночасно, бути поряд та інші. Ці зв’язки (причинно-наслідкові, просторові) визначають семантику і прагматику предметної області)

4. семантична метрика (на множині інформаційних одиниць, що зберігаються в пам’яті вводяться деякі шкали, що дозволяють оцінити їх семантичну близькість, це дозволяє знаходити в інформаційній базі знання близькі до уже знайдених)

5. активність (з допомогою даної властивості підкреслюється принципова відмінність знань від даних)

12. Крім прямого виведення в продукційних системах широко застосовується і зворотне виведення, що управляється цільовими умовами. Таке виведення починається з цільового твердження, яке фіксується в робочій пам’яті. Потім знаходиться правило-продукція, яке співставляється з ціллю. Процес повторюється до тих пір, поки в робочій пам’яті не буде знайдені факти, що підтверджують цільове твердження.

1. G^H -> C

2. I^K ->D

3. L^M->E

4. N->F

5. O->F

6. C->A

7. D->A

8. E->B

9. F->B

10. A-> END

11. B->END

№	Робоча пам’ять	Конфліктні множини	Активізоване правило
0	END, L, M, N	10, 11	10
1	END, A, L, M, N	11, 6, 7	11
2	END, A, B, L, M, N	6, 7, 8, 9	6
3	END, A, B, C, L, M, N	7, 8, 9, 1	7
4	END, A, B, C, D, L, M, N	8, 9, 1, 2	8
5	END, A, B, C, D, E, L, M, N	9, 1, 2, 3	9
6	END, A, B, C, D, E, F, L, M, N	1, 2, 3, 4, 5	1
7	END, A, B, C, D, E, F, G, H, L, M, N	2, 3, 4, 5	2
8	END, A, B, C, D, E, F, G, H, I, K, L, M, N	3, 4, 5	3
9	END, A, B, C, D, E, F, G, H, I, K, L, M, N	4, 5	3

13. Розглянемо і проаналізуємо в загальних рисах деякі проблеми, які доводиться постійно вирішувати людському розуму:

1. Розпізнавання образів

2. Мислення

3. Та обчислювальні задачі

На інтуїтивному рівні можна сформулювати кілька типових завдань розпізнавання образів:

1. Завдання ідентифікації полягає в тому, що об’єкт, який спостерігається людиною потрібно вирізнити з поміж інших

2. Проблема розпізнавання в класичній постановці (визначити належність об’єкта, що спостерігається до одного із заздалегідь відомих класів об’єктів)

Ключовий принцип розпізнавання:

1. Будь-який об’єкт в природі – унікальний

2. Унікальні об’єкти – типізовані

Відповідно до цього принципу розпізнавання здійснюється на основі аналізу певних характерних ознак: вважається, що в природі не існує двох об’єктів, для яких збігаються абсолютно всі ознаки і це теоретично дозволяє здійснювати ідентифікацію. Якщо ж для якихось об’єктів якісь ознаки збігаються, то ці об’єкти теоретично можна об’єднувати в групи або класи саме за цими ознаками.

Інша інтелектуальна задача – моделювання мислення, зокрема моделювання наслідків з фактів, які безпосередньо спостерігаються або заздалегідь відомі.

Виділяють два типи процесів мислення:

1. Підсвідоме (інтуїтивне) мислення, механізм якого вивчено не достатньо і яке дуже важко формалізувати та автоматизувати

2. Дедуктивні логічні побудови за формалізованими законами логіки

Дедукцією називається перехід від загального до часткового, виведення часткових наслідків із загальних правил.

Спільною рисою згаданих вище проблем є їх погана формалізованість, відсутність або незастосовність чітких алгоритмів розв’язку. Вирішення подібних задач і є основним предметом в теорії штучного інтелекту. Обчислювальні задачі належать до зовсім іншого класу задач (добре алгоритмізованих).

15. В основі розподіленого (децентралізованого) інтелекту лежить функціонально-структурна одиниця – агент, здатна [41]:

1. впливати на інших агентів і самих себе;

2. утворювати свої власні цілі;

3. спілкуватися з іншими агентами;

4. функціонувати без прямого втручання з боку будь-яких засобів і здійснювати самоконтроль (автономність);

5. сприймати частину середовища свого функціонування;

6. будувати локальне уявлення про середовище;

7. виконувати обов’язку і робити послуги;

8. самовідтворюватися.

17. Становлення штучного інтелекту (1943 -1956 р.). Роботи в області штучного інтелекту почалися з зародження нейрокібернетики. Зв’язано це було з тим, що основу мозку утворюють нервові клітини – нейрони.

Евристичний пошук і доказ теорем (1956 – 1969 р.). Роботи Г. Саймона й А. НьюЕлла зі створення програми "Логік-теоретик" були завершені в 1957 р. За допомогою цієї програми було успішно доведено ряд теорем із книги Б. Рассела і А. Н. Уайтхеда “Основи математики”. Один з недоліків програми полягав у тому, що вона неефективно здійснювала пошук рішень

Представлення знань (1969 – 1979 р.). До кінця 60-х років було виявлено, що для вирішення практично важливих задач недостатньо одних знань загального характера (загальних стратегій пошуку рішень). Успішне вирішення прикладних задач можливо тільки при наявності добре структурованих спеціальних знань.

Комерційний успіх (1979 – 1988 р.). Першою інтелектуальною системою, що знайшла застосування в промисловості, стала експертна система. R1, розроблена Мак-Дермоттом (1982 р). Система R1 застосовувалася для визначення конфігурації комп’ютерних систем сімейства VAX. Комерційна версія системи, розроблена корпорацією Digital Equipment разом з університетом Карнегі-Меллона (США), одержала назву XCON. До 1986 року система XCON дозволяла корпорації Digital Equipment заощаджувати 70 млн. доларів щорічно. Крім цього, застосування системи скоротило число помилок з 30% до 1%.

Відродження нейроінформатики (з 1986 р. по даний час). Після доведення М. Мінським обмежених можливостей перших нейронних мереж дослідження в цьому напрямку виконувалися вченими з інших областей знань. У 1982 р. фізик Дж. Хопфілд опублікував роботу, у якій проаналізував методами статистичної механіки властивості одношарової нейроної мережі із симетричними зв’язками. Дж. Хопфілд знайшов можливість застосування такої мережі в задачі розпізнавання образів

Колективістські моделі ШІ (з 1996 р. по даний час ). Розглянуті вище етапи розвитку ШІ характеризуються розрізненими підходами, заснованими на виділенні часткової властивості поняття "інтелект". Наприклад, принцип знанняцентризму обумовив розвиток і панування протягом певного періоду когнітивістських моделей ШІ, зокрема, логічних.

18. При обробці на комп’ютері дані трансформуються, умовно проходячи наступні етапи:

1. D1 – дані як результат вимірювань і спостережень;

2. D2 – дані на матеріальних носіях інформації (таблиці, протоколи, довідники);

3. D3 – моделі (структури) даних у вигляді діаграм, графіків, функцій;

4. D4 – дані в комп'ютері на мові опису даних;

5. D5 – бази даних на машинних носіях інформації.

21. Тому пошук оптимального співвідношення між виразною силою моделі представлення знань, що використовується і ефективністю її реалізації - основна задача розроблювача СШІ.

22. Знання можуть бути класифіковані за наступними категоріями:

• Поверхневі – знання про видимі взаємозв'язки між окремими подіями і фактами в предметній області.

• Глибинні – абстракції, аналогії, схеми, що відображають структуру і природу процесів, які протікають в предметній області. Ці знання пояснюють явища і можуть використовуватися для прогнозування поведінки об'єктів.

23. Прродукційні системи.

Продукційна модель представлення знань є однією з найпоширеніших . Представлення знань за допомогою правил-продукцій має в деяких відносинах подібність із правилами виводу логічних моделей. Це дозволяє за допомогою продукцій виконувати ефективний вивід і, крім того, завдяки природній аналогії процесу міркувань людини дані моделі наочніше відбивають знання.

У системах продукций знання представляються за допомогою наборів правил виду: "якщо А, то В". Тут А і В можуть розумітися як "ситуація - дія", "причина - наслідок", "умова - вивід" і т.п. Часто правило-продукцію записують з використанням знака логічного проходження:

.

24. Широке застосування продукційних моделей визначається наступними основними перевагами:

• універсальністю, практично будь-яка область знань може бути представлена в продукційній формі;

• модульностью, кожна продукція являє собою елемент знань про предметну область, видалення одних і додавання інших продукцій виконується незалежно;

• декларативністю, продукції визначають ситуації, предметної області, а не механізму керування;

• природністю процесу виводу, що багато в чому аналогічний процесу міркувань експерта;

• асинхронностю і природним паралелізмом, що; робить їх дуже перспективними для реалізації на рівнобіжних ЕОМ:

25. 6,12-питання

26. Тому для керування висновками у продукційних системах можуть застосовуватися стратегії сліпого й упорядкованого пошуку, розглянуті в главі 2.