- •Суми 2009
- •Напрямки робіт у галузі ші
- •Когнітивні процеси
- •Загальна структура смислового простору
- •Поняття знань.
- •Схеми проблем
- •Евристичні моделі подання знань.
- •1. Продукційне подання знань
- •2. Мережна модель (мм)
- •3. Подання знань у вигляді фреймів
- •Логічні моделі(лм) подання знань
- •1. Логіка висловлювань
- •Нечітка модель (нм) подання знань
- •Штучні нейронні мережі (шнм)
- •Біологічний нейрон
- •Штучний нейрон
- •Штучна нейромережа
- •Стратегії та методи виведення знань
- •І. Виведення за аналогією (вза)
- •Іі. Індуктивне умовиведення (ів)
- •Ііі. Виведення на основі категоріальних знань (вкз)
- •1. Концептуальні умовиводи (ку)
- •2. Дедуктивне виведення
- •2. 1. Виведення в продукційних системах (пс)
- •2.2. Виведення в умовах невизначеності (вун)
- •2.3. Виведення в семантичних мережах(см)
- •2.4. Виведення в мережах фреймів (мф)
- •2.5. Виведення в логічних системах (лс)
- •2.6. Метод резолюції
- •1. Нечітке виведення (нв)
- •1.1.Формування нечіткого логічного висновку:
- •2. Штучні нейронні мережі (шнм). Нейропарадигми.
- •2. 1. Процес навчання
- •2.2. Алгоритм навчання хебба
- •2.3. Алгоритм навчання кохонена
- •2.4. Алгоритм навчання процедурою зворотного поширення помилки
- •3. Експертні системи. Основні визначення
- •3.Класифікація експертних систем (ес)
- •4. Архітектура ес
- •2. Методи машинного навчання
- •2.1. Індуктивне навчання (ін)
- •2.2. Навчання формування гіпотез на основі зростаючих пірамідальних мереж
- •1. Стан і тенденції розвитку штучного інтелекту
- •2. Успіхи систем штучного інтелекту і їхньої причини
- •3. Експертні системи реального часу - основний напрямок штучного інтелекту
- •4. Основні виробники
- •5. Архітектура експертної системи реального часу
- •6. Розширення прототипу до додатка
- •7. Тестування додатка на наявність помилок
- •8. Тестування логіки додатка й обмежень (за часом і пам'яттю)
- •9. Супровід додатка
- •2. Стисла історія розвитку систем підтримки прийняття рішень
- •2.1. Зародження і розвиток концепції сппр
- •2.2. Теорія розроблення сппр
- •2.3. Розширення рамок сппр
- •2.4. Технологічні просування
- •3. Цілі сппр та чинники,що сприяють їх досягненню
- •4. Посилення конкурентної переваги завдяки сппр
- •1. Еволюція концепції і структури сппр
- •2. Способи взаємодії особи, що приймає рішення, з сппр
- •3. Еволюція сппр
- •4. Характеристика сучасних сппр
- •5. Підсистеми програмного забезпечення сппр
- •1. Галузі застосування сппр
- •2. Приклади застосування сппр
- •3. Сппр Marketing Expert
- •4. Сппр Decision Grid
- •5. Сппр RealPlan
- •6. Сппр tax advisor
- •7. Сппр Advanced Scout
- •8. Система бізнесової інформації(Business Intelligence) FedEx
- •9. Сппр ShopKo
- •1. Архітектура систем підтримки прийняття рішень
- •2. Компоненти користувацького інтерфейсу
- •2.1. Призначення та загальні ознаки користувацького інтерфейсу
- •2.1.1. Важливість та ефективність користувацького інтерфейсу сппр
- •2.1.2. Основні теми та механізмистворення користувацького інтерфейсу
- •2.1.3. Загальні висновки щодо користувацького інтерфейсу
- •2.1.4. Компоненти мови відображень (презентацій)
- •2.1.4. Роль знань у користувацькому інтерфейсі
- •2.1.5. Питання проектування користувацького інтерфейсу
- •Тема: Класифікаційні групи та моделі систем підтримки прийняття рішень.
- •1. Класифікація на основі інструментального підходу
- •2. Класифікація за ступенем залежності опр у процесі прийняття рішень
- •3. Класифікація за часовим горизонтом
- •Характеристика інформаціїдля різних управлінських рівнів
- •4. Інституційні сппр та сппр на даний випадок
- •1. Моделі в аспекті інформаційного підходу
- •2. Модель, основана на знаннях
- •3. Модель єрархії управління
- •4. Моделі, орієнтовані на особистість опр
- •Характерні аспекти процесів оброблення інформації людиною
- •5. Моделі для планування та прогнозування
- •6. Модель для конторської діяльності
- •1. Облікові і фінансові моделі
- •1.1. Аналіз беззбитковості
- •1.2. Моделі фінансового планування
- •1.3. Орієнтовні фінансові звіти (баланси)
- •1.4. Аналіз на основі розрахунку коефіцієнтів за даними звітності
- •2. Моделі аналізу рішень
- •2.1. Аналітичний єрархічний процес (ahp)
- •2.2. Дерева рішень і моделі багатоатрибутної корисності
- •2.3. Діаграми впливу
- •2.4. Прийняття ризикованих рішень за допомогою функції вигідності
- •3. Моделі прогнозування
- •4. Сітьові і оптимізаційні моделі
- •5. Імітаційні (симуляційні) моделі
- •6. Мови моделювання і електронні таблиці
- •1. Стратегія оцінювання і вибору методів підтримки прийняття рішень у сппр
- •2. Процес прийняття рішень
- •3. Ситуації, пов’язані з прийняттям рішень
- •4. Функції і завдання прийняття рішень
- •5. Узагальнена матриця методів/ситуацій, пов’язаних з прийняттям рішень
- •1. Генетичні успадкування — концептуальна засада генетичних алгоритмів
- •2. Загальна схема генетичних алгоритмів
- •3. Доступне програмне забезпечення генетичних алгоритмів
- •1. Визначення виконавчих інформаційних систем
- •2. Призначення віс
- •3. Визначальні характеристики віс
- •Інформаційні потреби опр, реалізовані засобами віс
- •Вимоги щодо моделювання у віс
- •Вимоги щодо користувацького інтерфейсу віс
1. Стан і тенденції розвитку штучного інтелекту
Програмні засоби, що базуються на технології й методах штучного інтелекту, одержали значне поширення у світі. Їхня важливість, і, у першу чергу, експертних систем і нейронних мереж, полягає в тому, що дані технології істотно розширюють коло практично значимих задач, які можна вирішувати на комп'ютерах, і їхнє рішення приносить значний економічний ефект. У той же час, технологія експертних систем є найважливішим засобом у рішенні глобальних проблем традиційного програмування: тривалість й, отже, висока вартість розробки додатків; висока вартість супроводу складних систем; повторна используемость програм і т.п. Крім того, об'єднання технологій експертних систем і нейронних мереж з технологією традиційного програмування додає нові якості до комерційних продуктів за рахунок забезпечення динамічної модифікації додатків користувачем, а не програмістом, більшої "прозорості" додатка (наприклад, знання зберігаються на обмеженій природній мові, що не вимагає коментарів до них, спрощує навчання й супровід), кращих графічних засобів, користувальницького інтерфейсу й взаємодії. На думку фахівців [1], у недалекій перспективі експертні системи будуть відігравати провідну роль у всіх фазах проектування, розробки, виробництва, розподілу, продажу, підтримки й надання послуг. Їхня технологія, одержавши комерційне поширення, забезпечить революційний прорив в інтеграції додатків з готових інтелектуально-взаємодіючих модулів. Комерційний ринок продуктів штучного інтелекту у світі в 1993 році оцінювався приблизно в 0,9 млрд. доларів; з них 600 млн. доводиться на частку США [2]. Виділяють кілька основних напрямків цього ринку: 1) експертні системи; тепер їх часто позначають ще одним терміном - "системи, засновані на знаннях"; 2) нейронні мережі й "розмиті" (fuzzy) логіки; 3) природно-язикові системи. У США в 1993 році ринок між цими напрямками розподілився так [2]: експертні системи - 62%, нейронні мережі - 26%, природно-язикові системи - 12%. Ринок цей можна розділити й інакше: на системи штучного інтелекту (додатка) і інструментальні засоби, призначені для автоматизації всіх етапів існування додатка. В 1993 році в загальному об'ємі ринку США частка додатків склала приблизно дві, а частка інструментарію - приблизно одну третину [2].
Один з найбільш популярних напрямків останніх п'яти років пов'язане з поняттям автономних агентів. Їх не можна розглядати як "підпрограми", - це скоріше прислуга, навіть компаньйон, оскільки однієї з найважливіших їхніх відмітних рис є автономність, незалежність від користувача. Ідея агентів опирається на поняття делегування своїх функцій. Інакше кажучи, користувач повинен довіритися агентові у виконанні певної задачі або класу задач. Завжди існує ризик, що агент може щось переплутати, зробити щось не так. Отже, довіра й ризик повинні бути збалансованими. Автономні агенти дозволяють істотно підвищити продуктивність роботи при рішенні тих задач, у яких на людину покладає основне навантаження по координації різних дій.
У тім, що стосується автономних (інтелектуальних) агентів, хотілося б відзначити один досить прагматичний проект, що зараз ведеться під керівництвом професора Генрі Либермана в Media-лабораторії MIT (MIT Media Lab). Мова йде про агентів, відповідальних за автоматичне генерування технічної документації. Для рішення цієї задачі чимало зробив у свій час академік Андрій Петрович Єршов, що сформулював поняття ділової прози як чітко певної підмножини природної мови, що може бути використано, зокрема, для синтезу технічної документації (це одне із самих вузьких місць у будь-якому виробництві). Група під керівництвом професора Либермана досліджує можливості нового підходу до рішення цієї проблеми, тепер уже на основі автономних агентів.
Наступний напрямок в області штучного життя - генетичне програмування (genetic programming) - є спробою використати метафору генної інженерії для опису різних алгоритмів. Рядка (string) штучної "генетичної" системи аналогічні хромосомам у біологічних системах. Закінчений набір рядків називається структурою (structure). Структури декодируются в набір параметрів, альтернативи рішень або крапку в просторі рішень. Рядка складаються з характеристик, або детекторів, які можуть приймати різні значення. Детектори можуть розміщатися на різних позиціях у рядку. Все це зроблено за аналогією з реальним миром. У природних системах повний генетичний пакет називається генотипом. Організм, що утвориться при взаємодії генотипу з навколишнім середовищем, зветься фенотипу. Хромосоми складаються з генів, які можуть приймати різні значення. (Наприклад, ген кольорів для ока тварини може мати значення "зелений" і позицію 10).
У генетичних алгоритмах роль основних будівельних блоків грають рядка фіксованої довжини, тоді як у генетичному програмуванні ці рядки розвертаються в дерева, настільки знайомі фахівцям в області трансляції. Наприклад, вираження a+b*c виглядає так:
Нині одним з лідерів в області генетичного програмування є група дослідників зі Стэндфордского університету (Stanford University), що працює під керівництвом професора Джона Коза. Генетичне програмування вдихнуло нове життя в гарненько вже подзабытый мова LISP (List Processing), що створювався групою Джона Маккарти (того самого, хто в 60-і роки ввів у наш побут термін "штучний інтелект") саме для обробки списків і функціонального програмування. До речі, саме ця мова в США був і залишається одним з найпоширеніших мов програмування для задач штучного інтелекту.