- •5 Июля 2007 года, протокол № 6
- •Назначение и принцип построения экспертных систем (эс)
- •Основные компоненты эс
- •Механизм вывода – средство машинного мышления Прямая цепочка рассуждений
- •Искусственный Интеллект (ии)
- •Структурная схема простейшей экспертной системы (эс)
- •Разработка экспертной системы Основные режимы работы
- •Обратная цепочка рассуждений
- •База знаний и структуры данных при обратной цепочке рассуждений.
- •База знаний
- •Проблемы Искусственного Интеллекта
- •Представление знаний
- •Модель доски объявлений (Модель классной доски)
- •Фреймовая модель( теория м. Минского)
- •Языки представления знаний, основанные на теории фреймов
- •Модель семантической сети
- •Пример использования модели семантической сети
- •Восприятие и распознавание образов с использованием систем Искусственного Интеллекта
Проблемы Искусственного Интеллекта
Основная центральная проблема – это воспроизводить на ЭВМ способы рассуждений и решения задач человеком. Основные проблемы, которые приходится при этом решать, могут быть представлены схемой.
ПЗ – представление знаний.
РЗ – решение задачи.
ЭС – экспертная система.
ЕЯ – представление на естественном языке.
Об – обучение.
КМ – когнитивное моделирование.
Р – роботы.
СПр – продукционные системы (представление знаний в виде правил).
СС – семантические сети.
ИП – исчисление предикатов.
Фр – фреймовые модели представления знаний.
Пр – ЭС с продукционной БЗ.
Фр – ЭС с представлением знаний в виде фреймов.
МП – машинный перевод.
ГД – генерация документов.
ВсЭВМ – взаимодействие с ЭВМ.
С – сенсоры.
УУ – устройство управления.
РЗ в ОС – решение задачи в определённой среде.
Представление знаний
Представление знаний - наиболее важная область исследования в ИИ, потому что форма представления знаний существенно влияет на основные характеристики и свойства системы. Для того, чтобы манипулировать знаниями с помощью компьютера необходимо осуществлять их моделирование, кроме того, когда объём знаний станет большим, желательно упростить последовательное управление отдельными элементами знаний.
При создании модели знаний учитываются два фактора:
однородность представления;
простота понимания.
Однородность представлений приводит к упрощению как управления самими знаниями, так и механизмом управления логическим выводом.
Простота понимания создаёт комфортные условия экспертам и пользователям и облегчает процесс внесения знаний в систему и оценку получения ею решений.
В первую очередь, знания необходимо представить в виде модели.
Четыре типичные модели представления знаний:
логическая;
продукционная;
фреймы;
семантические сети.
Логическая модель.
Строит представление знаний в системе логики предикатов первого порядка и вывод заключений с помощью силлогизма.
Предикат.
Высказывательная функция, определённая на некотором множестве Н, представляет собой n-местную функцию Р, которая каждому упорядоченному набору а1…аn элементов множества Н ставит в соответствие некоторое высказывание, которое и обозначается Р(а1…аn). Р(а1…аn) – n-местный предикат на множестве Н. Если n=0, то имеет место произвольное высказывание.
Силлогизм.
Рассуждение, в котором две посылки объединяются некоторым термином в единое целое, термин замыкает высказывание. Посылки силлогизма бывают двух типов.
Большие, из которых выбирается сказуемое.
Малые, из которых берётся субъект заключения.
Считается, что исчисление таких предикатов – это язык представления знаний в системе ИИ. Символами этого языка являются:
символы высказываний Q, R, S;
значения истинности true, false;
логические связки:
^ – конъюнкция;
V – дизъюнкция.
Каждый логический символ и символ истинности является предложением. Эти символы объединены логическими связками, а так же предложениями. Кроме того, используются следующие логические связки:
– отрицание Q – не Q.
– импликация (включение одного предложения в другие) Q S
– эквивалентность Q S.
Для того, чтобы сгруппировать символы и иметь возможность управлять ими, используются ( ) и [ ].
Факты в базе знаний представлены в виде атомарных формул: в этой формуле первое слово – сказуемое, а в () – даются два объекта, которые сказуемое связывает.
Например:
Измерение (датчик 1, высота)
Датчик 1 измеряет высоту.
Если в качестве сказуемого используется слово есть, то атомарная формула состоит из двух, а не из трех элементов, в скобках указан конкретный объект, а перед скобками дается понятие, к которому этот объект относится.
Например:
СВС (ЦС-2М) <=> ЦС-2М есть система воздушных сигналов (СВС).
Для выражения более сложных понятий используются логические формулы, которые строятся с помощью кванторов двух типов-кванторов:
- существования ( );
- общности ( ).
Например:
( х) [датчик (х) работоспособен (х)]
Некий датчик находится в работоспособном состоянии.
В [] даются два понятия, которые объединены в формуле логическим «и» ( а в тексте находится).
Квантор существительного говорит о том, что речь идет о любом из объектов, который в [] обозначен первым понятием (датчик).
( х) [датчик (х) погрешность (х, 1%)]
В [] указаны два объекта, причем свойство указанное вторым следует из наличия первого объекта, указанного в скобках.
Квантор общности в () означает, что написанное в [] свойство характеристики для всех объектов обозначенных там.
Все датчики имеют погрешность 1%.
Преимущество характеризуется двумя обстоятельствами:
существует строгий математический аппарат исчисления логики предикатов и поэтому такая модель обладает единственным теоретическим обоснованием;
система, основанная на этих моделях реализует формально точные определения и выводы.
Недостаток заключается в том, что человеческая логика, которую должен воспроизводить ИИ это модель с нечеткой структурой, она отличается от строгой логики. Поэтому уже после 80-х годов для представления знаний стали применять другие модели.
Продукционная модель.
Основана на правилах типа:
ЕСЛИ <…>, ТО <…>
<…> - текст.
Эта модель наиболее часто используется сейчас в работающих системах и системы, так же как и модель называются продукционными. Они либо реализуют прямую или обратную цепочку рассуждений либо более сложные алгоритмы вывода, но все равно в рамках этих двух концепций.
Сильными сторонами этих систем являются:
простота создания и понимания самих правил;
простота пополнения и модификации базы знаний, использующей такую модель;
простота механизма логических выводов.
Слабые стороны:
в сложных системах трудно определить взаимные отношения между отдельными правилами;
чем больше становится база знаний, тем сложнее определить целостность картины, которая описана правилами, не распадается ли она на отдельные не связанные между собой фрагменты;
чем больше становится база знаний, тем ниже падает эффективность обработки такой системы, в логике выводов отсутствует гибкость;
такая структура знаний отличается от структуры знаний человеческого мозга.
Если экспертная система достаточно проста, то «+» пересилят «–», и поэтому первые работающие системы являются продукционными. Чем больше будет становиться база знаний, а сама экспертная система сложнее, тем больше будут сказываться недостатки продукционной модели, поэтому в более сложных системах используют либо более гибкие модели в виде фреймов и семантических сетей, либо модифицированные подвергнутые дополнительной структуризации продукционные модели. Примером такой модифицированной модели является модель доски объявлений (модель классной доски) blackboard.