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…а_n элементов множества Н ставит в соответствие некоторое высказывание, которое и обозначается Р(а₁…а_n). Р(а₁…а_n) – 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.

1. Большие, из которых выбирается сказуемое.

2. 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.