IIS_1-10

1. Предпосылки создания искусственного интеллекта. Этапы развития искусственного интеллекта.

Искусственный интеллект — наука и технология создания интеллектуальных машин,
́	́

особенно интеллектуальных компьютерных программ.

Предпосылки развития науки искусственного интеллекта

История искусственного интеллекта как нового научного направления начинается в середине XX века. К этому времени уже было сформировано множество предпосылок его зарождения: среди философов давно шли споры о природе человека и процессе познания мира, нейрофизиологи и психологи разработали ряд теорий относительно работы человеческого мозга и мышления, экономисты и математики задавались вопросами оптимальных расчѐтов и представления знаний о мире в формализованном виде; наконец,

зародился фундамент математической теории вычислений — теории алгоритмов — и

были созданы первые компьютеры.

Возможности новых машин в плане скорости вычислений оказались больше человеческих, поэтому в учѐном сообществе закрался вопрос: каковы границы возможностей компьютеров и достигнут ли машины уровня развития человека? В 1950

году один из пионеров в области вычислительной техники, английский учѐный Алан Тьюринг, пишет статью под названием «Может ли машина мыслить?», в которой описывает процедуру, с помощью которой можно будет определить момент, когда машина сравняется в плане разумности с человеком, получившую название теста Тьюринга.

Этап 1 (50–е годы) (Нейрон и нейронные сети)

Он связан с появлением первых машин последовательного действия, с очень небольшими, по сегодняшним меркам, ресурсными возможностями по памяти,

быстродействию и классам решаемых задач. Это были задачи сугубо вычислительного характера, для которых были известны схемы решений и которые можно описать на некотором формальном языке. К этому же классу относятся и задачи на адаптацию.

Этап 2 (60-е годы)( Эвристический поиск)

В «интеллект» машины добавились механизмы поиска, сортировки, простейшие операции по обобщению информации, не зависящие от смысла обрабатываемых данных. Это стало новой точкой отсчета в развитии и понимании задач автоматизации деятельности человека.

Этап 3 (70-е годы)( Представление знаний)

учеными была осознана важность знаний (по объему и содержанию) для синтеза интересных алгоритмов решения задач. При этом имелись в виду знания, с которыми

математика не умела работать, т.е. опытные знания, не носящие строгого формального характера и описываемые обычно в декларативной форме. Это знания специалистов в различных областях деятельности, врачей, химиков, исследователей и т.п. Такие знания получили название экспертных знаний, и соответственно системы, работающие на основе экспертных знаний, стали называться системами-консультантами или экспертными системами

Этап 4 (80-е годы)( Обучающие машины)

Четвертый этап развития ИИ стал прорывным. С появлением экспертных систем в мире начался принципиально новый этап развития интеллектуальных технологий – эра интеллектуальных систем - консультантов, которые предлагали варианты решений,

обосновывали их, способны были к обучению и к развитию, общались с человеком на привычном для него, хотя и ограниченном, естественном языке.

Этап 5 (90-е годы)( Автоматизированные обрабатывающие центры)

Усложнение систем связи и решаемых задач потребовало качественно нового уровня «интеллектуальности» обеспечивающих программных систем, таких систем, как защита от несанкционированного доступа, информационная безопасность ресурсов, защита от нападений, смысловой анализ и поиск информации в сетях и т.п. И новой парадигмой создания перспективных систем защиты всех видов стали интеллектуальные системы. Именно они позволяют создавать гибкие среды, в рамках которых обеспечивается решение всех необходимых задач.

Этап 6 (2000-е годы)( Робототехника)

Область применения роботов достаточно широка и простирается от автономных газонокосилок и пылесосов до современных образцов военной и космической техники. Модели оборудованы навигационной системой и всевозможными периферийными датчиками.

Этап 7 ( год 2008)( Сингулярность)

Создание искусственного интеллекта и самовоспроизводящихся машин, интеграция человека с вычислительными машинами, либо значительное скачкообразное увеличение возможностей человеческого мозга за счѐт биотехнологий.

2. Направления исследований в области искусственного интеллекта.

В исследованиях в области искусственного интеллекта сложилось два главных направления: прагматическое и бионическое.

Прагматическое направление основано на предположении о том, что мыслительная деятельность человека – «черный ящик». Но если результат функционирования искусственной системы в некотором смысле совпадает с результатом деятельности эксперта, то такую систему можно признать интеллектуальной независимо от способов получения этого результата. При таком подходе не ставится вопрос об адекватности используемых в компьютере структур и методов тем структурам и методам, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.

С точки зрения конечного результата в прагматическом направлении можно выделить три целевые области:

создание инструментария. Инструментарий – языки для систем искусственного интеллекта; дедуктивные и индуктивные методы автоматического синтеза программ;

лингвистические процессоры; системы анализа и синтеза речи; базы знаний; оболочки,

прототипы систем; системы когнитивной графики;

разработка методов представления и обработки знаний – является одной из основ современного периода развития искусственного интеллекта;

интеллектуальное программирование – разбивается на несколько групп. К ним относят игровые программы, естественно-языковые программы (системы машинного перевода, автоматического реферирования, генерации текстов), распознающие программы, программы создания произведений живописи и графики.

Общим для перечисленных программ является широкое использование поисковых процедур и методов решения переборных задач, связанных с поиском и просмотром большого числа вариантов. Эти методы применяются при машинном решении игровых задач, в задачах выбора решений, при планировании целесообразной деятельности в интеллектуальных системах.

Бионическое направление исследований в области искусственного интеллекта основано на предположении о том, что если в искусственной системе воспроизвести структуры и процессы человеческого мозга, то и результаты решения задач такой системой будут подобны результатам, получаемым человеком. В этом направлении исследований выделяются:

нейробионический подход. В его основе лежат системы элементов, способные подобно нейронам головного мозга воспроизводить некоторые интеллектуальные функции. Прикладные системы, разработанные на основе этого подхода, называются нейронными сетями;

структурно-эвристический подход. В его основе лежат знания о наблюдаемом поведении объекта или группы объектов и соображения о тех структурах, которые могли бы обеспечить реализацию наблюдаемых форм поведения. Примером подобных систем служат мультиагентные системы;

гомеостатический подход. В этом случае решаемая задача формулируется в терминах эволюционирующей популяции организмов – совокупности противоборствующих и сотрудничающих подсистем, в результате функционирования которых обеспечивается нужное равновесие (устойчивость) всей системы в условиях постоянно изменяющихся воздействий среды. Такого рода подход реализован в прикладных системах на основе генетических алгоритмов.

3. Понятие интеллектуальной информационной системы. Основные свойства.

Интеллектуальная информационная система (ИИС) - комплекс программных,

лингвистических и логико-математических средств для реализации основной задачи – осуществления поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке. ИИС являются разновидностью интеллектуальной системы, а также одним из видов информационных систем.

Свойства ИИС:

-решение задач в условиях неопределенности (неточности, неполноты, неоднозначности, недостоверности) информации.

-решение неформализованных (трудноформализуемых) задач.

-эвристическое решение задач - разумное сокращение перебора в пространстве поиска решений.

-обучаемость и приобретение опыта. Интеллектуальная система подобно человеку может изменять свои стратегии и правила работы с информацией по мере приобретения новых знаний.

-«умное взаимодействие» с пользователем (потребителем информации и/или постановщиком заданий на обработку информации).

4.Классификация ИИС.

системы с коммутативными способностями (с интеллектуальным интерфейсом);

экспертные системы (системы для решения сложных задач);

самообучающиеся системы (системы способные к самообучению);

адаптивные системы (адаптивные информационные системы).

5.Знания: понятие и классификация. Уровни представления

знаний.

Знания – это совокупность сведений о сущностях (объектах, предметах) реального мира, их свойствах и отношениях между ними в определенной предметной области. Иными словами, знания – это выявленные закономерности предметной области

(принципы, связи, законы), позволяющие решать задачи в этой области. С точки зрения ИИ знания можно определить как формализованную информацию, на которую ссылаются в процессе логического вывода.

Классификация знаний

1.В зависимости от источника:

априорные – определяются и закладываются в БЗ до начала функционирования

ЭС.

накапливаемые – формируются в процессе использования БЗ. Источниками таких знаний являются эксперты, внешние устройства – наблюдатели (датчики распознавания образов), а также правила и процедуры вывода знаний, которые действуют в ЭС.

экспертные

наблюдаемые

выводимые

2.В зависимости от характера использования:

декларативные – факты и сведения обязательного характера

процедурные – это информация о способах решения типовых задач в некоторой

ПО.

метазнания – содержат общие сведения о принципах использования з. К ним также относят стратегии управления выбором и управления процедурным знанием.

3.В зависимости от степени достоверности:

с определенной достоверностью

с нечеткой достоверностью

4.В зависимости от глубины:

знания-копии

знания-знакомства

умения

навыки

Уровни представления знаний.

Если знания о проблемной среде назвать нулевым уровнем представления, то 1й уровень будет содержать метазнания по отношению к нулевому. Это знания о том, как представлены знания нулевого уровня в системе.

Знания 1го уровня играют существенную роль при управлении процессом решения при приобретении и объяснении действий системы. В связи с тем, что знания 1го уровня не содержат ссылок на знания нулевого уровня, следовательно, знания 1го уровня не зависят от проблемной среды.

Число уровней может быть больше 2х, тогда 2й уровень будет содержать знания о знаниях 1го уровня. Такое разделение по уровням обеспечивает расширение области применимости системы; позволяет рассматривать знания с различной степенью подробности.

Как правило, выделяются не менее 3х уровней детальности, которые отражают общую логическую и физическую организацию знаний. Это позволяет обеспечи вать

гибкость системы, т.к. дает возможность производить изменения на одном уровне, не затрагивая другой.

6. Предметное (фактуальное) и проблемное (операционное) знания. Декларативная и процедурная формы представления знаний.

Фактуальное знание — это осмысленные и понятые данные. Данные сами по себе -

это специально организованные знаки на каком-либо носителе.

Операционное знание — это те общие зависимости между фактами, которые позволяют интерпретировать данные или извлекать из них информацию.

Часто фактуальное знание называют экстенсиональным (детализированным), а операционное знание - интенсиональным (обобщенным).

Декларативная и процедурная формы представления знаний.

Декларативные знания – это знания, которые записаны в памяти интеллектуальной системы так, что они непосредственно доступны для использования после обращения к соответствующему полю памяти. Обычно декларативные знания используются для представления информации о свойствах и фактах предметной области. По форме представления декларативные знания противопоставляются процедурным знаниям.

Процедурные знания – это знания, хранящиеся в памяти интеллектуальной системы в виде описания процедур, с помощью которых их можно получить. Обычно процедурные знания используются для представления информации о способах решения задач в проблемной области, а также различные инструкции, методики и т.п.

В отличие от декларативного, процедурное знание является операциональным, практическим, находится вне области осознания и проявляется через определенные действия. В качестве классических примеров процедурного знания приводится езда на велосипеде, знание как завязывать узел или говорить на языке. Человек может знать, но не уметь, или наоборот, уметь, но быть не в состоянии объяснить, как он это делает.

Соответственно, разграничение этих типов знания имеет особое значение в процессе обучения, в том числе при овладении и пользовании языком. Декларативные знания выражаются словом, фактами, сведениями, а процедурное знание проявляется через действия, навыки и умения.

7. Методы представления знаний.

Существуют два типа методов представления знаний (ПЗ): Формальные модели ПЗ;

Неформальные (семантические, реляционные) модели ПЗ.

В отличие от формальных моделей, в основе которых лежит строгая математическая теория, неформальные модели такой теории не придерживаются. Каждая неформальная модель годится только для конкретной предметной области и поэтому не обладает универсальностью, которая присуща моделям формальным. Логический вывод -

в формальных системах строг и корректен, поскольку подчинен жестким аксиоматическим правилам. Вывод в неформальных системах во многом определяется самим исследователем, который и отвечает за его корректность.

Каждому из методов ПЗ соответствует свой способ описания знаний.

Логические модели. В основе моделей такого типа лежит формальная система,

задаваемая четверкой вида: M = <T, P, A, B>. Множество T есть множество базовых элементов различной природы. Множество P есть множество синтаксических правил. В

множестве синтаксически правильных совокупностей выделяется некоторое

подмножество A.	Элементы A называются аксиомами.	Множество B есть
множество правил	вывода. Применяя их к элементам A,	можно получать новые

синтаксически правильные совокупности, к которым снова можно применять правила из B.

Сетевые модели. В основе моделей этого типа лежит конструкция, названная ранее семантической сетью. Сетевые модели формально можно задать в виде H = <I, C1, C2, ..., Cn, Г>. Здесь I есть множество информационных единиц; C1, C2, ..., Cn - множество типов связей между информационными единицами. Отображение Г задает между информационными единицами, входящими в I, связи из заданного набора типов связей.

В зависимости от типов связей, используемых в модели, различают классифицирующие

сети, функциональные сети и сценарии. В классифицирующих сетях используются отношения структуризации. Такие сети позволяют в базах знаний вводить разные иерархические отношения между информационными единицами. Функциональные сети характеризуются наличием функциональных отношений. Их часто

называют вычислительными моделями, т.к. они позволяют описывать процедуры

"вычислений" одних информационных единиц через другие. В сценариях используются каузальные отношения, а также отношения типов "средство - результат", "орудие -

действие" и т.п. Если в сетевой модели допускаются связи различного типа, то ее обычно называют семантической сетью.

Продукционные модели. В моделях этого типа используются некоторые элементы логических и сетевых моделей. Из логических моделей заимствована идея правил вывода,

которые здесь называются продукциями, а из сетевых моделей - описание знаний в виде семантической сети. В результате применения правил вывода к фрагментам сетевого описания происходит трансформация семантической сети за счет смены ее фрагментов,

наращивания сети и исключения из нее ненужных фрагментов. Таким образом, в продукционных моделях процедурная информация явно выделена и описывается иными средствами, чем декларативная информация. Вместо логического вывода, характерного для логических моделей, в продукционных моделях появляется вывод на знаниях.

Фреймовые модели. В отличие от моделей других типов во фреймовых моделях

фиксируется	жесткая	структура	информационных	единиц,	которая
называетсяпротофреймом. В общем виде она выглядит следующим образом:
(Имя фрейма:
Имя слота 1(значение слота 1)
Имя слота 2(значение слота 2)
. . . . . . . . . . . . . . . . . . . . . .
Имя слота К (значение слота К)).
Значением слота может быть		практически	что угодно (числа	или математические

соотношения, тексты на естественном языке или программы, правила вывода или ссылки на другие слоты данного фрейма или других фреймов). В качестве значения слота может

выступать	набор	слотов	более	низкого	уровня,	что	позволяет	во
фреймовых представлениях реализовать "принцип матрешки".

При конкретизации фрейма ему и слотам присваиваются конкретные имена и происходит заполнение слотов. Таким образом, из протофреймов получаются фреймы -

экземпляры. Переход от исходного протофрейма к фрейму - экземпляру может быть многошаговым, за счет постепенного уточнения значений слотов.

Например, структура табл. 1.1, записанная в виде протофрейма, имеет вид

(Список работников: Фамилия (значение слота 1);

Год рождения (значение слота 2);

Специальность (значение слота 3); Стаж (значение слота 4)).

Если в качестве значений слотов использовать данные табл. 1.1, то получится фрейм - экземпляр

(Список работников:

Фамилия (Попов - Сидоров - Иванов - Петров);

Год рождения (1965 - 1946 - 1925 - 1937);

Специальность (слесарь - токарь - токарь - сантехник);

Стаж (5 - 20 - 30 - 25)).

Связи между фреймами задаются значениями специального слота с именем "Связь". Часть специалистов по ИС считает, что нет необходимости специально выделять фреймовые модели в представлении знаний, т.к. в них объединены все основные особенности моделей остальных типов.

Формальные модели представления знаний.

Система ИИ в определенном смысле моделирует интеллектуальную деятельность человека и, в частности, - логику его рассуждений. В грубо упрощенной форме наши логические построения при этом сводятся к следующей схеме: из одной или нескольких посылок (которые считаются истинными) следует сделать "логически верное" заключение

(вывод, следствие). Очевидно, для этого необходимо, чтобы и посылки, и заключение были представлены на понятном языке, адекватно отражающем предметную область, в которой проводится вывод. В обычной жизни это наш естественный язык общения, в

математике, например, это язык определенных формул и т.п. Наличие же языка предполагает, во - первых, наличие алфавита (словаря), отображающего в символьной форме весь набор базовых понятий (элементов), с которыми придется иметь дело и, во -

вторых, набор синтаксических правил, на основе которых, пользуясь алфавитом, можно построить определенные выражения.

Логические выражения, построенные в данном языке, могут быть истинными или ложными. Некоторые из этих выражений, являющиеся всегда истинными.

Объявляютсяаксиомами (или постулатами). Они составляют ту базовую систему посылок,

исходя из которой и пользуясь определенными правилами вывода, можно получить заключения в виде новых выражений, также являющихся истинными.

Если перечисленные условия выполняются, то говорят, что система удовлетворяет требованиям формальной теории. Ее так и называют формальной системой (ФС). Система,

построенная на основе формальной теории, называется также аксиоматической системой.

Формальная теория должна, таким образом, удовлетворять следующему определению: всякая формальная теория F = (A, V, W, R), определяющая некоторую аксиоматическую систему, характеризуется:

наличием алфавита (словаря), A,

множеством синтаксических правил, V,