1. Что такое система искусственного интеллекта. В чем состоят теоретический и практический аспекты создания систем искусственного интеллекта?

К искусственному интеллекту принято относить ряд алгоритмов и программных систем отличительным свойством которых является то, что они могут решать задачи так как это делал бы размышляющий над этими задачами человек

Создание систем ИИ имеют двоякий аспект:

1. Теоритический. Ученые пытались ответить на вопрос: «может ли машина мыслить» и желали создать разумную ЭВМ. Сейчас это направление трансформировалось в изучение функциональных возможностей человеческого мозга по обработке информации.

2. Практический аспект. Связан с разработкой ЭВМ способных:

• Взять на себя всю рутинную часть интеллектуальной деятельности человека;

• По возможности заменить его присутствие во вредной для него среде(низкие высокие температуры, загазованность, радиация);

• Взаимодействовать с пользователем привычным для его образом(пользователь дает задание на естественном языке в виде текста графики или речи и получает ответ в том же виде);

• Обучатся решению новых задач(традиционно обучение ЭВМ состоит в написании программистом программ решающих новые задачи и ввод этих программ в ЭВМ, она настолько обучен сколько и каких программ находятся в ее распоряжении);

2. Охарактеризуйте область искусственного интеллекта. Почему математика и игры стали первыми и оказались хорошими областями приложения методов ИИ? Какие еще области относятся к искусственному интеллекту?

Область ИИ обладает двумя характерными особенностями:

1. В ней используется информация в символьной форме: буквы, слова, знаки, рисунки. Это отличает область ИИ от областей в которых традиционно компьютеры обрабатывают данные в числовую форму.

2. В ней предполагается наличие выбора, то есть «не существует алгоритма» означает по сути, что нужно сделать выбор между различными вариантами в условиях неопределенности.

Традиционно к искусственному интеллекту относились следующие области:

1. Восприятие и распознавание образов;

2. Математика и автоматическое доказательство теорем.

3. Игры.

4. Решение задач.

5. Понимание естественного языка.

В ИИ особое значение придается символьной, а не числовой информации. Соответственно и первыми областями, в которых работали исследователи ИИ, стала математика и различные игры. Обе эти сферы оказались хорошими областями приложения методов ИИ в силу того, что связанные с ним задачи и проблемы хорошо формализованы, а, кроме того, сами эти области являются примерами высших достижений человеческого разума.

3. Классификация знаний. Знания глубинные и поверхностные, мягкие и жесткие. Чем обусловлена мягкость знаний. Экспертные и концептуальные знания.

Классификация знаний:

1. По глубине. Знания разделяются на глубинные и поверхностные.

К глубинным знаниям относятся абстракции, образы, аналогии, в которых отражается понимание структуры предметной области, а также назначение и взаимосвязь отдельных понятий.

Поверхностные - обычно касаются лишь совокупности эмпирических ассоциаций и причинно-следственных отношений между понятиями предметной области .

2. По жесткости. Знания разделяются на мягкие и жесткие.

Жесткие – позволяют получать однозначные четкие рекомендации при заданных начальных условиях.

Мягкие – знания допускают множественные расплывчатые решения и различные варианты рекомендации.

Мягкость знания обусловлена:

1. Влияние множества факторов которые трудно учесть(реакция организма конкретного бального на конкретное лекарство; объем предполагаемой прибыли на вложенный капитал особенно в абсолютно новое дело);

2. Нечеткостью границ многих понятий (во сколько лет начинается старость, когда можно считать что прибор работает хорошо)

3. По виду знаний. Знания делят на концептуальные и экспертные.

Концептуальные знания – выражают свойства объектов процессов и ситуаций через понятия (базовые элементы) соответствующей предметной области, концептуальные знания обычно задаются в виде фреймов (или классов в случае ООп).

Экспертные знания представляют собой знания специалистов – экспертов из различных предметных областей и аккумулируют накопленный опыт, навыки и приемы в соответствующей области.

Концептуальные знания более жесткие и глубинные, экспертные знания более мягкие и поверхностные. Концептуальные знания общедоступные(их описание можно найти в литературе), экспертные знания индивидуальные(ими владеет эксперт);

4 Модель представления знаний - это формализм, предназначенный для отображения объектов и отношений проблемной области, иерархии понятий и изменений отношений между объектами, т.е. статики и динамики проблемной области.

Правила продукций являются самой распространенной моделью в системах ИИ. Они обеспечивают формальный способ представления рекомендаций, указаний или стратегий; они часто подходят в тех случаях, когда предметные знания возникают из эмпирических ассоциаций, накопленных за годы по решению задач в данной области.

Правила продукций имеют следующую форму:

ЕСЛИ условие (или предпосылка), ТО следствие (или заключение)

и является импликацией (логическое "если...то"). Импликацией называется логический союз, объединяющий два исходных суждения таким образом, что истинность первого исключает ложность второго, в логике обозначается:

p - ­­­­­­>­­­­­­­­­­­ q (читается: Если p, то q). Первую часть импликации, соответствующую переменной р, называют антецедентом, вторую – консеквентом.

Правила устанавливают взаимосвязь между фактами.

Системы ИИ, построенные на базе правил, называются продукционными. Продукционная система состоит из трех компонентов:

- базы знаний, содержащей правила продукций;

- рабочей области, которая отображает текущее состояние некоторой (решаемой) задачи и содержит факты;

- управляющей структуры (машина вывода; интерпретатор в терминологии программирования), решающей, какое из правил продукции надлежит применить следующим.

Действия правил могут состоять:

-в модификации набора фактов в рабочей области, например, в добавлении нового факта. Новые факты, добавленные в рабочую область, сами могут быть использованы для сопоставления с частями правил ЕСЛИ;

-во взаимодействии с внешней средой (во влиянии на реальный мир): выдать рекомендации, задать вопрос для ввода данных, выдать управляющее воздействие на оборудование и т.п.;

-вызвать на выполнение процедуру (программу);

Достоинства продукционных систем:

1)подавляющая часть человеческих знаний может быть записана в виде продукций;

2)системы продукций являются модульными. За небольшим исключением удаление или добавление продукций не приводят к изменениям в остальных продукциях. Правила являются, в основном, независимыми и выражают самостоятельные «куски» знаний, поэтому легко осуществляется модификация знаний;

3)при необходимости системы продукций могут реализовывать любые алгоритмы и, следовательно, способны отражать любое процедурное знание, доступное ЭВМ;

4)естественный параллелизм в системе продукций, асинхронность их реализации делают продукционные системы удобной моделью вычислений для ЭВМ новой архитектуры, в которой идея параллельности и асинхронности является центральной.

Основной недостаток продукционных систем состоит в том, что при большом количестве правил становится сложной проверка на непротиворечивость системы продукций. Это заставляет при добавлении новых правил тратить много времени на проверку непротиворечивости новой системы.

5 Прямая цепочка рассуждений позволяет определить весь спектр последствий, вызываемых одним или несколькими фактами. Она используется, когда количество исходных фактов не велико и необходимо сделать прогноз последствий тех или иных действий.

Обратная цепочка рассуждений осуществляет вывод от цели к данным, т.е., когда необходимо определить причины имевшего место конкретного факта или установить возможность существования конкретного факта в конкретных условиях или когда необходимо получить определенных результат. Обратная цепочка рассуждений инициируется заданием цели, т.е вопроса. на который система должна подыскать ответ.

Стратегии управления (выбором) правил.

1) Последовательный перебор правил.

2) Принцип «стопки книг». Основан на идее, что наиболее часто используемое правило является наиболее полезным. подходящие для текущего состояния рабочей области правила как бы образуют «стопку», в которой порядок определяется накопленной частотой использования продукций в прошлом. на самом верху «стопки» находится правило, которое используется чаще всех. При актуализации некоторого фронта готовых правил для их применения выбирается то правило (или те правила при наличии параллельных технических устройств), у которых частота использования максимальна.

Подобный принцип управления особенно хорошо, когда частота использование подсчитывается с учетом некоторой ситуации, в которой раннее исполнялось правило, и его применение было удачным. При такой обратной связи метод «стопки книг» может превратиться в обучающуюся процедуру.

1)Принцип метапродукций. Он основан на идее ввода в систему продукций специальных метапродкций(метаправил), задачей которых является организация управления в системе продукций. Деревья решений дают необходимую наглядность и позволяют проследить ход рассуждений. Ветви деревьев решений заканчиваются логическими выводами (результатами).

Кружки, содержащие вопросы, называются вершинами решений. Прямоугольники содержат цели диаграммы и означают логические выводы.

Процесс формирования правил состоит из следующих шагов:

1)Выбрать из дерева решений вершину вывода (прямоугольник) и зафиксировать ее.

2)Найти вершину, расположенную перед зафиксированной вершиной, т.е. связанную с ней ветвью, и зафиксировать ее (включить в путь и прейти к ней).

3)Если текущая вершина не имеет предшествующих или текущая вершина является вершиной вывода, то перейти к шагу 4, иначе – к шагу 2.

4)Каждая вершина, входящая в путь, - это одна из составляющих предпосылки правила. Эти составляющие объединяются логическим оператором «И».

5)Выбранный логический вывод является заключением правила.

6 Понятие семантической сети основано на древней и очень простой идее о том, что «память» формируется через ассоциации между понятиями. Понятие «ассоциативная память» появилось еще во времена Аристотеля и вошло в информатику в связи с работами по использованию простых ассоциаций для представления значения слов в базе данных. С тех пор этот формализм был всесторонне развит для представления многих классов данных, используемых в различных предметных областях. К таким областям относятся пространственных связи в простых физических системах, операции по управлению механизмами, причинных и функциональные связи в приборах и взаимосвязи между симптомами в медицине. Изначально семантическая сеть была задумана как модель представления структуры долговременной памяти в психологии, но в последствии стала одним из основных способов представления знаний в инженерии знаний.

Базовым функциональным элементом семантической сети служит структура из двух компонентов – «узлов» и связывающих их «дуг». Каждый узел представляет некоторое понятие, а дуга- отношение между парами понятий. Можно считать, что каждая из таких пар отношений представляет простой факт.

Дуга имеет направленность, благодаря чему между понятиями в рамках определенного факта выражается отношение «субъект\объект». Любой из узлов может быть соединен с любым числом других узлов; в результате этого обеспечивается формирование сети фактов.

С позиции логики базовую структуру семантической сети можно рассматривать в качестве эквивалента предиката с двумя аргументами (бинарный предикат); эти два аргумента представляются двумя узлами, а собственно предикат – направленной дугой, связывающей эти узлы.