2.2.4. Практическое занятие № 4. Интеллектуальные системы. Семинарское занятие Практическое занятие№4

Семинарское занятие Тема 4. Интеллектуальные и интеллектуально информационные системы

Цель и задачи занятия

Занятие имеет цель закрепить теоретические знания полученные на лекциях, практических занятиях о интеллектуальных системах.

Перечень оборудования: персональный компьютер.

План проведения занятия

4.1.Общие положения о интеллектуальной и интеллектуально информационной системах.

4.2.Проблема интеллектуализации

4.3.Аппаратные средства интеллектуальных систем

4.1.Общие положения о интеллектуальной и интеллектуально информационной системах

Интеллектуальная система (ИС, англ. intelligent system) — это техническая или программная система, способная решать задачи, традиционно считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Структура интеллектуальной системы включает три основных блока — базу знаний, решатель и интеллектуальный интерфейс [1]. Интеллектуальные системы изучаются наукой искусственный интеллект.

Интеллектуальная информационная система (ИИС, англ. intelligent system) — разновидность интеллектуальной системы один из видов информационных систем, иногда ИИС называют системой, основанных на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке.

Классификация ИИС

Экспертные системы

oСобственно экспертные системы (ЭС)

oИнтерактивные баннеры (web + ЭС)

Вопросно-ответные системы (в некоторых источниках «системы общения»)

oИнтеллектуальные поисковики (например, система Старт)

oВиртуальные собеседники

oВиртуальные цифровые помощники

ИИС могут размещаться на каком-либо сайте, где пользователь задает системе вопросы на естественном языке (если это вопросно-ответная система) или, отвечая на вопросы системы, находит необходимую информацию (если это экспертная система). Но, как правило, ЭС в интернете выполняют рекламно-информационные функции (интерактивные баннеры), а серьезные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так как выполняют конкретные специфические задачи. Интеллектуальные поисковики отличаются от виртуальных собеседников тем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжимку из источников знаний (иногда достаточно большого объема), а собеседники обладают «характером», особой манерой общения (могут использовать сленг, ненормативную лексику), и их ответы должны быть предельно лаконичными (иногда даже просто в форме смайликов, если это соответствует контексту.

103

Для разработки ИИС раньше использовались логические языки (Пролог, Лисп и т. д.), а сейчас используются различные процедурные языки. Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. В области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема — постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.

Обеспечение работы ИИС

Математическое

Лингвистическое

Информационное

Семантическое

Программное

Техническое

Технологическое

Кадровое

Классификация задач, решаемых ИИС

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Диагностика. Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность

— это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.

Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов—чертёж, пояснительная записка и т.д. Основные проблемы здесь — получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы ло-

104

гически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какойлибо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке.

Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.

Поддержка принятия решений. Поддержка принятия решения — это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

Вобщем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонент или под-проблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

4.2.Проблема интеллектуализации

4.2.1Интеллектуализация ЭВМ

Нарастающие информационные потоки в современном обществе, разнообразие информационных технологий, повышение сложности решаемых на компьютере задач увеличивает нагрузку на пользователя этих технологий и ставят задачу переноса проблемы выбора и принятия решений с человека на ЭВМ.

Для массового использования ЭВМ в рамках высокоавтоматизированных технологий и решения на них самых разнообразных задач проблема интеллектуализации ЭВМ, пожалуй, выступает сей-

105

час на главное место. Вместе с тем, продвижения в интеллектуализации ЭВМ должны гармонично совмещаться и с обеспечением соответственно высокой производительности, это означает эффективное сочетание НСI (Нuman-computer interaction) с НРС (Нigh-performance computing), причем интеллектуализация ЭВМ, будучи акцентированной именно на первый аспект, при надлежащем подходе вполне удовлетворяет и второму аспекту. Можно вспомнить наиболее значительные вехи на пути интеллектуализации ЭВМ, которая на первых порах выражалась лишь как некоторое преодоление семантического разрыва между входными языками высокого уровня (ЯВУ) и внутренними (машинными) языками ЭВМ.

В качестве совокупности этих признаков, которые придают машине "интеллектуальность" было введено понятие "машинный интеллект" (МИ), которое четко определяет значение, придаваемое обиходному выражению "внутренний интеллект ЭВМ", обеспечиваемое ее собственным оборудованием, т.е. развитие МИ и означает интеллектуализацию ЭВМ, как соответствующее развитие ее архитектуры и структуры вместе с внутренним математическим обеспечением.

МИ рассматривается как состоящий из трех главных аспектов:

oвосприимчивости к языкам пользователей;

oреализации методов и средств обработки знаний как сложных структур данных (ССД);

oавтоматизированной организации вычислительного процесса во взаимодействии с пользователями.

Вцелом МИ характеризует математические способности собственно машин, и является таким образом "рамочным" понятием, обрамляющим и увязываемым между собой краеугольные, фундаментальные принципы ЭВМ. Заметим, что связь между понятием МИ и искусственного интеллекта (ИИ) заключается главным образом в том, что МИ является аппаратной поддержкой (hardware support) ИИ. Но в этом смысле значение МИ шире - поскольку он поддерживает решение любых задач, в том числе и традиционных вычислительных, облегчая, например, их подготовку, которая сама по себе в свете развитых информационных технологий является уже одной из типичных задач ИИ. Таким образом, МИ поддерживает ИИ, но его реализация охватывает внедрение методов ИИ в архитектуру машин.

Развитие МИ отчетливо характеризуется в его трех приведенных главных аспектах, которые удобно называть соответственно языковым, когнитивным и обрабатывающим.

Вязыковом аспекте - это с учетом тенденций современного развития языков программирования и методов организации вычислительного процесса дальнейшее повышение программного уровня и развитие системных средств внутреннего языка с приданием ему в целом объектно-ориентирован- ного стиля.

Вкогнитивном аспекте - это структурная поддержка работ со знаниями, как со сложными структурами данных (ССД) - причем с использованием логических и когнитивных построений в знаниях и различных их функциональных назначений - в качестве денотатов и конотатов (обрабатываемых и управляющих знаний).

Вобрабатывающем аспекте - это повышение уровня структурной автоматизации вычислительного процесса, как в режиме подготовки задач, так и в решении текущей интерпретации всего потока заданий и динамического управления их выполнением.

Впервом и втором аспектах МИ главным образом наделен на поддержку НСI, в третьем же аспекте главным его назначением уже является обеспечение НРС в целом этот фактор приобретает осо-

106

бое значение в условиях применения высокопроизводительной распределенной обработки информации на основе параллельных архитектур, избавляя при этом пользователей от необходимости детального планирования и организации параллельных процессов, и обеспечивая эффективность их прохождения.

4.2.2. Интеллектуализация измерений

Важным результатом исследований, связанных с повышением качества функционирования измерительных систем, является создание специальных интеллектуальных датчиков. Традиционные направления совершенствования таких датчиков реализуются как путем улучшения конструкции и элементов аппаратной части, так и за счет разработки методов формального описания и анализа измерительных процедур. Развитию аналитического подхода при синтезе интеллектуальных датчиков способствует создание алгоритмов оптимальной обработки данных на основе все более сложных статистических моделей входных воздействий на датчик. В качестве конкурирующей стратегии рассматривается способ реализации интеллектуального датчика на основе искусственных нейронных сетей (ИНС).

На практике интеллектуализация измерений связана в первую очередь с обеспечением регистрирующего прибора или датчика некими знаниями о соотношении реально измеряемой физической величины, с той которую в результате мы хотим измерить и применение этого соотношения к измеряемой величине, а также осуществлением предварительной обработки измеряемой величины. Например, представленная на рис.4.1 схема, реализует интеллектуальную измерительную систему регистрации усредненной по времени температуры. Измеряя сопротивление, терморезистора (косвенно, через напряжение в схеме делителя), в зависимости от его температуры, мы можем сопоставить это сопротивление с конкретным значением температуры этого датчика, для этого необходимо знать соотношение этих величин и применить это соотношение для данного датчика. Набор таких вот знаний и их применение к измеряемой величине и предварительная их обработка и обеспечивает интеллектуализацию измерений. В результате этого, выполнив оцифровку напряжения и применив знания о соотношении температуры с напряжением, на выходе датчика мы получим цифровое представление усредненной температуры терморезистора.

Рис.4.1. Пример схемы интеллектуальной измерительной системы

107

3. Аппаратные средства интеллектуальных систем

Интеллектуальные системы - системы обработки информации, основанные на использовании знаний.

При разработке интеллектуальных систем чаще всего используются специализированные аппаратные средства, которые реализуют основные функции интеллектуальных систем.

Универсальные аппаратные средства создаются также с учетом необходимости решения задач искусственного интеллекта (ИИ).

Очень характерны для создания систем с ИИ – мультипроцессорные ЭВМ с глубоким распараллеливанием процессов выполнения программ.

В системах с ИИ выделяют следующие типы задач /по способу организации вычислительного процесса, типам данных, используемых операций/

1.Обработка символьной информации;

2.Решение переборных вычислений и логических задач, построение логического вывода решения с использованием заданных правил;

3.Работа с БД, где данные со сложными информационными связями;

4.Высокоскоростная обработка изображения и речи.

Каждая из задач предъявляет свои конкретные требования к аппаратуре, причем весьма

противоречивые.

Использование ЭВМ классической схемы с архитектурой фон-Неймана неэффективно.

1.Обработка символьной информации

Используется языками высокого уровня функционального типа. При выполнении программ

происходит обращение к функциям.

Характерные особенности.

1)Применение рекурсивных списковых структур при отображении данных в оперативной и внешней памяти

2)Рекурсивный характер обработки списков (поиск в списке и его изменение)

3)Высокий динамизм использования памяти, реальное время, виртуальная память Любой участок программы должен выполнятся только за время определенное при написании.

2.Переборные задачи

Получение логического вывода Кроме особенностей обработки символьной информации, есть и свои особенности:

1)большие возможности распараллеливания;

2)чистое выполнение функций сопоставления сложных структур данных;

3)более сложная работа с переменными;

4)более сложная организация схемы управления выполнением программы.

3.Работа с базами данных

Обработка больших массивов данных, имеющих сложные внутренние связи. Основная проблема:

1)сокращение времени выполнения основных операций

организация БД:

1)реляционная

2)иерархическая

3)сетевая

4.Обработка изображений и речи

108

Проблема: необходимо быстрое выполнение большого числа однотипных операций над исходными данными (очень большой объем)

Организационная группа - вычислительные процессы, которые обмениваются информацией по специальной организационной сети информационных каналов с определенной структурой (при использовании преобразования Фурье)

Наиболее критичны задачи обработки символьной информации. Их особенности:

1.пространство логики решений велико, т.к. большая размерность требует:

-большая память

-высокая степень обработки

2.Большое число обращений к памяти. Из-за этого, разброс близких по времени обращений, велик по адресам. Необходимы специальные меры. Частичная обработка данных непосредственно в памяти существенно снижает поток данных.

3.Данные самоопределены, поэтому перед обработкой необходимо распознать их тип.

4.Способы вычислений и форматы обрабатываемых данных могут меняться. Архитектура должна допускать настройку.

5.Взаимодействие процессов имеет нерегулярный характер.

Переход к аппаратной реализации процессов интеллектуальных систем обеспечивает новые

возможности:

1.↑ скорость обработки информации и отображения данных, реален переход к РВ (реальное время)

2.↓ общая стоимость разработки системы за счет применения типовых устройств и элементов.

3.Упрощается ПО системы за счет реализации некоторых функций ИИ аппаратно

4.↑ надежность за счет повышения устойчивости к сбоям и отказам аппаратуры при выполнении программ

Основные направления в создании машин 5-го поколения

1.Накопление знаний о специфике задач, т.е. добиться оптимизма

1)В отображении и организации обрабатываемых данных

2)Механизме доступа к переменным

3)Специальных методов организации вычислительных процессов

2.Разработка алгоритмов глубокого распараллеливания процессов выполнения программ на уровне отдельных участков и отдельных операторов.

3.Архитектура параллельных машин со слабой, средней и сильной специализацией т.е. создание новых типов машин, новых систем коммутации и систем иерархической памяти

4.Использование новых технологий, оптоэлектроники, схемы на новых полупроводниках

Сейчас ведутся интенсивные разработки ЭВМ V поколения. Разработка последующих поколений компьютеров производится на основе больших интегральных схем повышенной степени интеграции, использования оптоэлектронных принципов (лазеры, голография).

Ставятся совершенно другие задачи, нежели при разработки всех прежних ЭВМ. Если перед разработчиками ЭВМ с I по IV поколений стояли такие задачи, как увеличение производительности в области числовых расчётов, достижение большой ёмкости памяти, то основной задачей разработчиков ЭВМ V поколения является создание искусственного интеллекта машины (возможность делать логические выводы из представленных фактов), развитие "интеллектуализации" компьютеров - устранения барьера между человеком и компьютером. Компьютеры будут способны воспринимать информацию с рукописного или печатного текста, с бланков, с человеческого голоса, узнавать пользователя по голосу, осуществлять перевод с одного языка на другой. Это поз-

109