- •19. Экспертные системы. База знаний, механизм вывода, механизмы приобретения и объяснения знаний.
- •20. Экспертные системы. Примеры практических экспертных систем.
- •21. Экспертные системы. Формализация этапов экспертной деятельности.
- •22. Экспертные системы. Инженерия знаний.
- •23. Экспертные системы. Организация базы знаний. Продукционная модель для представления знаний.
- •24. Экспертные системы. Семантические сети для представления знаний.
- •25. Экспертные системы. Жизненный цикл экспертной системы
- •Формализация.
- •Реализация
- •Тестирование
- •26. Нейронные сети. Понятие нейронной сети
- •27. Нейронные сети как тип моделей ии. Применение нс
- •28. Нейронные сети. Структура и функции нейрона.
- •29. Нейронные сети. Модель искусственного нейрона.
- •30 Нейронные сети. Элементная база нейрокомпьютеров- аналоговая, цифровая, гибридная. Стандартные процессоры обработки сигналов.
- •31 Нейронные сети. Преимущества и недостатки различных типов элементной базы аппаратных нейрокомпьютеров.
- •32 Нейронные сети. Нейро-эмуляторы, их преимущества и недостатки.
- •33 Нейронные сети. Секторы рынка нейросетевых программных продуктов: нейро-пакеты и готовые решения на основе нейросетей.
- •34 Нейронные сети. Инструменты разработки нейроприложений.
- •35 Нейронные сети. Классификация базовых нейроархитектур по типу связей и типу обучения
- •36. Нейронные сети. Методы обучения нс. Машинное обучение
- •37. Нейронные сети. Обучение с учителем. Эффекты обобщения и переобучения
- •38. Нейронные сети. Персептроны: архитектура, возможности и решаемые задачи.
- •39. Нейронные сети. Однонаправленные многослойные нейронные сети
- •48 Генетический алгоритм. Мутация, ее роль в алгоритме. Механизмы реализации процесса мутации.
- •49 Генетический алгоритм. Методы скрещивания, применяемые в генетических алгоритмах и их эффективность.
- •50 Генетический алгоритм. Способы реализации отбора и их эффективность.
- •51 Генетический алгоритм. Метод штрафных функций.
22. Экспертные системы. Инженерия знаний.
Под экспертной системой (ЭС) будем понимать программу, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала.
Инженерия знаний - относительно новая дисциплина, связанная с разработкой баз знаний интеллектуальных систем, в частности. экспертных. Она изучает методы и средства извлечения, представления, структурирования и использования знаний.
Инженерия знаний — область искусственного интеллекта, связанная с разработкой экспертных систем и баз знаний. Изучает методы и средства извлечения, представления, структурирования и использования знаний.
В настоящее время, это также предполагает строительство и обслуживание подобных систем. Это также тесно соприкасается с программной инженерией, и используется во многих информационных исследованиях, например таких, как исследования Искусственного Интеллекта включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. Инженерия знаний также связано с математической логикой, также используемой в разных научных дисциплинах, например в социологии где "подопытными" являются люди, а цели исследований - понимание как работает человеческая логика на примере взаимоотношений в обществе.
Пример действия системы, базирующейся на инженерии знаний:
Рассмотрение задачи
Запрос к базам данных по задаче
Внесение и структурирование полученной информации (IPK модель)
Создание базы данных по структурированной информации
Тестирование полученной информации
Внесение корректировок и эволюция системы.
Будучи скорее искусством, нежели чисто инженерной задачей, ИЗ не имеет большого практического применения. Подразделом инженерии знаний является метаинженерия знаний, пригодная для разработки искусственного интеллекта.
С середины 1980х, в инженерии знаний появилось несколько принципов, методов и инструментов которые облегчили процесс получения и работы со знаниями. Вот некоторые ключевые из них: Существуют разного рода типы знаний и для работы с ними должны использоваться конкретные методы и техника. Существуют различные типы экспертов и опыта. Для работы с ними должны использоваться определенные методы и техника. Существуют разные способы предоставления, использования, понимания знаний и работа с ними может помочь переосмыслить и использовать уже имеющиеся знания по-новому. В инженерии знаний используются методы структурирования знаний для убыстрения процесса получения и работы со знаниями.
23. Экспертные системы. Организация базы знаний. Продукционная модель для представления знаний.
Под экспертной системой (ЭС) будем понимать программу, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала.
Большая часть задач инженерии знаний включает получение знаний от экспертов в виде фактов и правил и преобразование этой информации в форму, которая может быть эффективно использована машинной программой. Рассмотрение экспертных знаний как обязательного элемента, определяющего успех функционирования экспертной системы, приводит к тому, что процесс приобретения и представления знаний становится решающим аспектом разработки этих систем.
Процесс создания, ведения и модификации баз знаний экспертных систем включает: определение состава представляемых знаний,организацию знаний, представление знаний, т.е. выбор или создание модели представления; использование модели представления знаний.
Определение состава представляемых знаний производится в зависимости от предметной области и структуры экспертной системы. Решая этот вопрос, необходимо учитывать тип решаемых задач, статический или динамический характер данных, а также такие параметры экспертных знаний, как точность, ошибочность, многозначность, полнота или неполнота знаний конкретной предметной области.
Зависимость состава знаний от структуры экспертной системы проявляется в необходимости знаний, определяющих функционирование системы: управляющие знания, т.е. знания о процессе решения задачи; знания о языке сообщения и способах организации диалога; знания о способах представления и модификации знаний, необходимых для реализации функции приобретения и обновления знаний экспертных систем; поддерживающие и управляющие знания, необходимые для подсистемы объяснения.
Знания о языке общения зависят от требуемого уровня понимания и определяются интерфейсом экспертной системы.
Пользователь, исходя из целей и круга решаемых задач, предъявляет свои требования к составу знаний. Определяются тип данных, предпочтительные способы и методы решений, ограничения на результаты и способы их получения, степень конкретности знаний о проблемной области.
Решение вопроса организации знаний в значительной степени зависит от выбранной модели представления знаний. С точки зрения организации знания целесообразно рассматривать по уровням представления и по уровням детальности.
База знаний экспертной системы может быть представлена как база фактов, база правил и база процедур. Это разбиение отражает различные уровни представления знаний.
Усложнение функциональных возможностей экспертной системы происходит за счет того, что она должна уметь не только использовать свои знания о проблемной области (объектный уровень знаний), но и обладает способностью исследовать их – экспертная система должна иметь знания о том, как представлены ее знания о проблемной области (метауровень знаний).
Метазнания (знания метауровня) не содержат ссылок к знаниям объектного уровня и не зависят от проблемной области. Основная цель организации метазнаний (многоуровневая организация знаний) заключается в следующем: разработка стратегий доказательств в ЭС; управление выводом результатов поиска решений; увеличение выразительной мощности языков представления знаний.
Использование метазнаний при разработке и выборе стратегий доказательств связано с возможностью определения на метауровне новых правил поиска результатов объектного уровня. Такие правила рассматриваются как высокоуровневый метод построения формальных доказательств, метазнания в виде стратегических метаправил используются для выбора релевантных правил, позволяют системе адаптироваться путем перестройки правил и функций объектного уровня, а также явно указать возможности и ограничения системы.
Система продукций образуется множеством правил продукции. Эти правила формулируют определенные действия при выполнении некоторых заданных условий. Поскольку одновременно могут выполняться несколько условий, должна быть определена стратегия выбора.
В самом простом виде правила продукций близки по смыслу импликации «Если – то», поэтому для правил продукций можно принять обозначение или, раскрыв условие применимости, эта запись примет вид:
P1 ^ P2 ^ P3 . . . ^ Pn – B,
где Pi (i=1,2, ..., n) – условия применимости, образующие конъюнкцию;
В – заключение или действие, которое имеет место при истинности конъюнкции.
Приведем пример правила продукций для экспертной системы, предназначенной для диагностики неисправности:
ЕСЛИ ВНУТРЕННЕЕ ТЕСТИРОВАНИЕ ПРОШЛО
И ИМЕЕТ МЕСТО МНОГОКРАТНАЯ ПЕРЕЗАГРУЗКА ОПЕРАЦИОННОЙ СИСТЕМЫ
ТО ЗАЛИПАНИЕ КЛАВИШ ИЛИ СБОЙ ОЗУ.
Система продукций выгодна для выражения знаний, которые могут принимать форму переходов между состояниями (ситуация -> действие, посылка -> заключение, причина -> следствие).
Необходимо различать продукционные системы, управляемые данными (предусловиями правил) и продукционные системы, управляемые целями (действиями правил).
База знаний продукционной экспертной системы состоит из множества правил продукций (базы правил)
П={P1, P2, ..., Pm}
и конечного набора фактов (базы фактов)
A=(a1, a2, ..., an).
Если правило имеет вид Pi=ai1 ai2 ... ais -> am, то это значит, что новый факт am имеет место (т.е. правило Pi применимо) при условии истинности всех фактов ai1...ais, определяющих правило Pi.
В случае, когда am – новый факт, имеет место модификация соответствующей базы фактов, а продукция Pi представляет собой декларативное (фактуальное) знание.
Возможен случай, когда правило продукции связано с выполнением какой-либо процедуры, а am – сообщение об окончании этого действия. В этом случае предусловия и действия являются утверждениями о данных, а вывод осуществляется в обратном направлении, т.е. от утверждений, которые должны быть доказаны.
Представление знаний в виде продукционных правил имеет недостатки и достоинства. Основным недостатком системы продукций является отсутствие внутренней структуры и зависимости шагов дедуктивного вывода от стратегии вывода, что делает ее трудно интерпретируемой.
Достоинства продукционных систем: модульность организации знаний; независимость правил продукций; легкая модификация знаний на основе возможного удаления и добавления правил; возможность использования различных управляющих стратегий за счет отделения предметных знаний от управляющих.