Разделы презентаций

Интеллектуальные информационные системы

Содержание

Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума витала в воздухе еще в древнейшие времена. Так, в древнем Египте была создана "оживающая" механическая статуя бога Амона.

Слайды и текст этой презентации

Слайд 1Лекция 2
Интеллектуальные информационные системы
(продолжение)

Лекция 2 Интеллектуальные информационные системы(продолжение)

Слайд 2Идея создания искусственного подобия человека для решения сложных задач и

моделирования человеческого разума витала в воздухе еще в древнейшие времена.

Так, в древнем Египте была создана "оживающая" механическая статуя бога Амона. У Гомера в "Илиаде" бог Гефест ковал человекоподобные существа-автоматы. В литературе эта идея обыгрывалась многократно: от Галатеи Пигмалиона до Буратино папы Карло. Однако родоначальником искусственного интеллекта считается средневековый испанский философ, математик и поэт Раймонд Луллий, который еще в XIII веке попытался создать механическую машину для решения различных задач, на основе разработанной им всеобщей классификации понятий.
Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума витала в воздухе еще

Слайд 4Луллий был автором многих трудов, однако в данном контексте интерес

представляет его книга Ars Magna («Великое искусство»). Среди прочего в

ней излагается метод, посредством которого любой человек может не только легко понять и усвоить все известные истины веры, но даже открыть новые. Этот универсальный способ открытия истин подразумевает использование машины (рис. 1), состоящей из вложенных друг в друга концентрических дисков
Луллий был автором многих трудов, однако в данном контексте интерес представляет его книга Ars Magna («Великое искусство»).

Слайд 5О том, насколько удачным оказался опыт использования этой машины, сказать

трудно. Однако, попутно Луллий сделал целый ряд открытий. Задолго до

Буля он сформулировал идею создания «алфавита для мыслей», выдвинул принципы логического анализа, изложил свои соображения об эвристических и дедуктивных методах (правда, представленных в зародышевой форме). Помимо машин он использовал то, что мы называем теорией графов, табличные и графические формы представления информации. В его трудах можно найти диаграммы (рис. 2), весьма похожие на применяемые сейчас диаграммы Венна. Все это дает основание считать Луллия первооткрывателем формальных логических методов, а его машину — предшественником современных компьютеров, пусть полумифическим.
О том, насколько удачным оказался опыт использования этой машины, сказать трудно. Однако, попутно Луллий сделал целый ряд

Слайд 7В Англии XIX века были предприняты дальнейшие попытки построить логическую

машину. Начало им положил лорд Чарльз Стэнхоуп (1753-1816), известный политический

деятель и изобретатель. На его счету — несложные оптические приборы и металлическое перо для письма, но наиболее интересна логическая машина, поучившая название Stanhope Demonstrator, то есть «Демонстратор Стэнхоупа» (рис. 3). В отличие от компьютера Луллия, это была совершенно рациональная конструкция, но и ее судьба оказалась не без странностей: хотя Стэнхоуп построил Демонстратор в самом начале XIX века, первая статья о нем датируется лишь 1879 годом.
В Англии XIX века были предприняты дальнейшие попытки построить логическую машину. Начало им положил лорд Чарльз Стэнхоуп

Слайд 9Основой этой машины является двумерная матричная конструкция, а потому с

ее помощью можно решать лишь простые логические и вероятностные задачи

с двумя аргументами. Например, ей доступна известная задача из книги Я.И. Перельмана «Занимательная алгебра»: если 8 из 10 предметов имеют качество А, а 4 из тех же 10 предметов — качество B, то по меньшей мере два предмета имеют оба качества. Или же если вероятность события A = 0,5, а события В = 0,2, то условная вероятность равна 0,1.
Основой этой машины является двумерная матричная конструкция, а потому с ее помощью можно решать лишь простые логические

Слайд 10Еще одной интересной фигурой был хирург Альфред Сми (1818-1877), увлекавшийся

электробиологией (так называли влияние электричества на жизнедеятельность организма). Сми выдвинул

утопический проект создания искусственного мозга, состоящего из двух машин — реляционной и дифференциальной. При использовании доступных изобретателю технологий эта машина, будь она построена, заняла бы площадь, сопоставимую с территорией Лондона тех времен. В 1851 году Сми опубликовал книгу «Процесс мышления», которая стала популярной в Англии и способствовала распространению взглядов, предполагающих возможность механизации мышления.
Еще одной интересной фигурой был хирург Альфред Сми (1818-1877), увлекавшийся электробиологией (так называли влияние электричества на жизнедеятельность

Слайд 11Русский ученый Семён Николаевич Корсаков в 1832 г. представил общественности

своё изобретение — гомеоскоп [8], устройство для разработки систем принятия

решений по набору некоторых ключевых факторов. В основе своей гомеоскоп состоит из перфорированной таблицы и цилиндра перемещаемого вдоль таблицы. В вертикальных столбцах таблицы перфорированы признаки соответствующие некоторой записи, отмеченной в нижней строке. В цилиндр на определенных расстояниях втыкаются булавки, определяющие набор признаков искомой записи. В процессе перемещения цилиндра булавки цепляются за перфорированные отверстия, и цилиндр автоматически останавливается, в случае если все булавки совпали с набором отверстий в столбце таблицы.
Русский ученый Семён Николаевич Корсаков в 1832 г. представил общественности своё изобретение — гомеоскоп [8], устройство для

Слайд 13В 1870 г. Уильям Стэнли Джевонс сконструировал ЛМ, позволяющую механизировать

простейшие силлогистические выводы. Машина Джевонса имела вид фортепиано с клавишами.

Смотровой щиток над клавиатурой отображал элементы таблицы истинности. На одних клавишах буквы обозначали субъекты суждения (предметы мысли), на других — предикаты суждения (высказывания о предметах мысли). Остальные клавиши выполняли различные команды. Клавиши были соединены с помощью стержней с элементами таблицы истинности, и после нажатия на клавишу, стержни перемещали элементы таблицы. Машина Джевонса отличалась от ранее созданных ЛМ тем, что она решала задачи уже быстрее человека.
В 1870 г. Уильям Стэнли Джевонс сконструировал ЛМ, позволяющую механизировать простейшие силлогистические выводы. Машина Джевонса имела вид

Слайд 15Джон Венн (1834-1923) работал в области логики классов, где создал

особый графический аппарат (так называемые диаграммы Венна). В книге «Символическая

логика» (Symbolic logic, 1894) он изложил свою знаменитую технику диаграмм для проверки логических выводов и описал возможность построения ЛМ на основе диаграмм.
Джон Венн (1834-1923) работал в области логики классов, где создал особый графический аппарат (так называемые диаграммы Венна).

Слайд 18В 1883 г. Аллан Маркванд (1853-1924) взял за основу логическое

пианино Джевонса и расширил его. А в последующие годы Маркванд

предложил версию машины, в которой механические действия заменялись электромеханическими.
В 1883 г. Аллан Маркванд (1853-1924) взял за основу логическое пианино Джевонса и расширил его. А в

Слайд 20В 1936 г. психолог Бенжамин Бурак построил первую электрическую ЛМ.

Она была упакована в небольшой чемодан и питалась от батарей.

Внизу чемодана содержались деревянные блоки, представляющие утверждения (посылки). Блоки держались на металлических контактах, а когда блоки перемещались на определенные позиции, схемы активировались для вывода результата: либо силлогизм верный, либо произошла ошибка.
Машина Бурака имела мало преимуществ перед ручной проверкой силлогизмов и была долгое время неизвестна, пока в 1947 г. её не описали в литературе.
В 1936 г. психолог Бенжамин Бурак построил первую электрическую ЛМ. Она была упакована в небольшой чемодан и

Слайд 21Слово «силлогизм» произошло от греческого syllogysmos, что означает «вывод». Очевидно,

что силлогизм – это выведение следствия, заключения из определенных посылок.

Силлогизм бывает простым, сложным, сокращенным и сложносокращенным.
Силлогизм, посылками в котором являются категорические суждения, называется, соответственно, категорическим.

Слово «силлогизм» произошло от греческого syllogysmos, что означает «вывод». Очевидно, что силлогизм – это выведение следствия, заключения

Слайд 22Посылок в силлогизме две. Они содержат три термина силлогизма, обозначаемые

буквами S, P и М. Р – это больший термин,

S – меньший, а М – средний, связующий. Другими словами, термин Р шире по объему (хотя уже по содержанию) как М, так и S. Самый узкий по объему термин силлогизма – это S. При этом больший термин содержит предикат суждения, меньший – его субъект. S и Р связаны между собой средним понятием (М).

Посылок в силлогизме две. Они содержат три термина силлогизма, обозначаемые буквами S, P и М. Р –

Слайд 23Все боксеры – спортсмены.
Этот человек – боксер.
Этот человек – спортсмен.
Слово

«боксер» здесь является средним термином, первая посылка – больший термин,

вторая – меньший. Во избежание ошибок заметим, что в данном силлогизме имеется в виду данный, конкретный человек, а не все люди. В противном случае, конечно, вторая посылка была бы намного шире по объему.
Все боксеры – спортсмены.Этот человек – боксер.Этот человек – спортсмен.Слово «боксер» здесь является средним термином, первая посылка

Слайд 24Более известной была ЛМ, построенная в 1947 г. Уильямом Баркхартом

и Теодором Калном. Их машина была электрической версией логического пианино

Джевонса. Логические исходные условия были зарегистрированы в настройках коммутаторов, которые составляли электрическую цепь, логически изоморфную входным условиям. Подсветкой выделялись линии в таблице истинности, показывающей результат, согласующийся с исходными условиями.
Машина Баркхарта-Кална решала силлогизмы намного быстрее, нежели это можно было сделать вручную.
Более известной была ЛМ, построенная в 1947 г. Уильямом Баркхартом и Теодором Калном. Их машина была электрической

Слайд 25После Второй мировой войны стало очевидным, что компьютерные программы могут

достичь тех же результатов, что и любая из этих ЛМ.

Впоследствии, все приведенные выше ЛМ были запрограммированы на компьютерах. Описанные ЛМ не имели какого-либо практического смысла. ЛМ использовались как вспомогательные средства, их основное назначение было сугубо теоретическим.
После Второй мировой войны стало очевидным, что компьютерные программы могут достичь тех же результатов, что и любая

Слайд 26Термин "искусственный интеллект" - ИИ - (AI - artificial intelligence)

был предложен в 1956 г. на семинаре с аналогичным названием

в Дартсмутском колледже (США). Семинар был посвящен разработке методов решения логических, а не вычислительных задач. В английском языке данное словосочетание не имеет той слегка фантастической антропоморфной окраски, которую оно приобрело в довольно неудачном русском переводе. Слово intelligence означает "умение рассуждать разумно", а вовсе не "интеллект", для которого есть термин intellect.
Термин

Слайд 27Зарождение нейрокибернетики
Основную идею этого направления можно сформулировать следующим образом:

Единственный объект, способный мыслить, - это человеческий мозг. Поэтому любое

"мыслящее" устройство должно каким-то образом воспроизводить его структуру.
Таким образом, нейрокибернетика ориентирована на программно-аппаратное моделирование структур, подобных структуре мозга.
Зарождение нейрокибернетикиОсновную идею этого направления можно сформулировать следующим образом: Единственный объект, способный мыслить, - это человеческий мозг.

Слайд 28Физиологами давно установлено, что основой человеческого мозга является большое количество

(до 1021) связанных между собой и взаимодействующих нервных клеток -

нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и их объединении в функционирующие системы. Эти системы принято называть нейронными сетями, или нейросетями.

Физиологами давно установлено, что основой человеческого мозга является большое количество (до 1021) связанных между собой и взаимодействующих

Слайд 29Первые нейросети были созданы Розенблаттом и Мак-Каллоком в 1956-1965 гг.

Это были попытки создать системы, моделирующие человеческий глаз и его

взаимодействие с мозгом. Устройство, созданное ими тогда, получило название персептрона (perceptron). Оно умело различать буквы алфавита, но было чувствительно к их написанию. Например, буквы А, A и a для этого устройства были тремя разными знаками. Постепенно в 70-80 годах количество работ по этому направлению искусственного интеллекта стало снижаться. Слишком неутешительны были первые результаты. Авторы объясняли неудачи малой памятью и низким быстродействием существующих в то время компьютеров.
Первые нейросети были созданы Розенблаттом и Мак-Каллоком в 1956-1965 гг. Это были попытки создать системы, моделирующие человеческий

Слайд 30Однако в 1980-х в Японии в рамках проекта "ЭВМ V

поколения" был создан первый нейрокомпьютер, или компьютер VI поколения. К

этому времени ограничения по памяти и быстродействию были практически сняты. Появились транспьютеры - параллельные компьютеры с большим количеством процессоров.
Транспьютерная технология - это только один из десятка новых подходов к аппаратной реализации нейросетей, которые моделируют иерархическую структуру мозга человека. Основная область применения нейрокомпьютеров сегодня - это задачи распознавания образов, например идентификация объектов по результатам аэрофотосъемки из космоса.


Однако в 1980-х в Японии в рамках проекта

Слайд 31Можно выделить 3 подхода к созданию нейросетей:
Аппаратный - создание

специальных компьютеров, нейрочипов, плат расширения, наборов микросхем, реализующих все необходимые

алгоритмы.
Программный - создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры.
Гибридный - комбинация первых двух. Часть вычислений выполняют специальные платы расширения (сопроцессоры), часть - программные средства.
Можно выделить 3 подхода к созданию нейросетей: Аппаратный - создание специальных компьютеров, нейрочипов, плат расширения, наборов микросхем,

Слайд 32От кибернетики "черного ящика" к ИИ
В основу этого подхода был

положен принцип, противоположный нейрокибернетике.
Не имеет значения, как устроено "мыслящее"

устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг. Сторонники этого направления мотивировали свой подход тем, что человек не должен слепо следовать природе в своих научных и технологических поисках
От кибернетики

Слайд 33.
Так, например, очевиден успех колеса, которого не существует в

природе, или самолета, не машущего крыльями, подражая птице. К тому

же пограничные науки о человеке не смогли внести существенного теоретического вклада, объясняющего хотя бы приблизительно, как протекают интеллектуальные процессы у человека, как устроена память и как человек познает окружающий мир.
. Так, например, очевиден успех колеса, которого не существует в природе, или самолета, не машущего крыльями, подражая

Слайд 34Это направление искусственного интеллекта было ориентировано на поиски алгоритмов решения

интеллектуальных задач на существующих моделях компьютеров. Существенный вклад в становление

новой науки внесли ее "пионеры": Маккарти (автор первого языка программирования для задач ИИ - ЛИСПа), Минский (автор идеи фрейма и фреймовой модели представления знаний), Ньюэлл, Саймон, Шоу, Хант и другие.
Это направление искусственного интеллекта было ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров. Существенный

Слайд 35В 1956-1963 гг. велись интенсивные поиски моделей и алгоритмов человеческого

мышления и разработка первых программ на их основе. Представители существующих

гуманитарных наук - философы, психологи, лингвисты - ни тогда, ни сейчас не в состоянии были предложить таких алгоритмов. Тогда кибернетики начали создавать собственные модели. Так последовательно были созданы и опробованы различные подходы.
В 1956-1963 гг. велись интенсивные поиски моделей и алгоритмов человеческого мышления и разработка первых программ на их

Слайд 36В конце 50-х годов родилась модель лабиринтного поиска. Этот подход

представляет задачу как некоторое пространство состояний в форме графа, и

в этом графе проводится поиск оптимального пути от входных данных к результирующим. Была проделана большая работа по разработке этой модели, но для решения практических задач эта идея не нашла широкого применения. В первых учебниках по искусственному интеллекту [Хант, 1986; Эндрю, 1985] описаны эти программы - они играют в игру "15", собирают "Ханойскую башню", играют в шашки и шахматы.
В конце 50-х годов родилась модель лабиринтного поиска. Этот подход представляет задачу как некоторое пространство состояний в

Слайд 37Начало 60-х - это эпоха эвристического программирования. Эвристика - правило,

теоретически не обоснованное, которое позволяет сократить количество переборов в пространстве

поиска. Эвристическое программирование - разработка стратегии действий на основе известных, заранее заданных эвристик
Начало 60-х - это эпоха эвристического программирования. Эвристика - правило, теоретически не обоснованное, которое позволяет сократить количество

Слайд 38Эвристические методы увеличивают вероятность получения работоспособного - но не всегда

оптимального - решения творческой задачи, возникшей, например, из-за неразработанности конкретной

теории, неполноты или недостоверности исходных данных.

Эвристические методы увеличивают вероятность получения работоспособного - но не всегда оптимального - решения творческой задачи, возникшей, например,

Слайд 39ПРИМЕР. Для иллюстрации эвристического подхода может быть использован такой случай.

Допустим, на Вашем мобильном телефоне зафиксирован неотвеченный вызов и номер

абонента не определился. Зная текущие дела, последние звонки и т.п., можно с определенной вероятностью определить круг возможных абонентов и сделать несколько звонков им. При этом вероятность отыскания звонившего абонента будет выше нуля и ниже 100% (так как мы не знаем точно, кто звонил и не перебираем всех возможных абонентов).

ПРИМЕР. Для иллюстрации эвристического подхода может быть использован такой случай. Допустим, на Вашем мобильном телефоне зафиксирован неотвеченный

Слайд 40
ПРИМЕР. «Слишком много менеджеров позволяют себе долгую раскачку в процессе

принятия решения, особенно те из них, кто обременен слишком большим

образованием. Однажды я сказал Филиппу Колдуэллу, возглавившему компанию «Форд» после моего ухода: «Ваша беда в том, Фил, что вы окончили Гарвард, где вас учили не переходить к действиям, пока не станут известны все факты. В вашем распоряжении 95 процентов фактов, но вы затрачиваете еще шесть месяцев на то, чтобы добыть последние 5 процентов. К моменту, когда вы их наконец добыли, оказывается, что они уже устарели, так как рыночная ситуация претерпела изменения. Вся жизнь — это фактор времени.
ПРИМЕР. «Слишком много менеджеров позволяют себе долгую раскачку в процессе принятия решения, особенно те из них, кто

Слайд 41В 1963-1970 гг. к решению задач стали подключать методы математической

логики. Робинсон разработал метод резолюций, который позволяет автоматически доказывать теоремы

при наличии набора исходных аксиом.
В 1963-1970 гг. к решению задач стали подключать методы математической логики. Робинсон разработал метод резолюций, который позволяет

Слайд 42Примерно в это же время выдающийся отечественный математик Ю. С.

Маслов предложил так называемый обратный вывод, впоследствии названный его именем,

решающий аналогичную задачу другим способом . На основе метода резолюций француз Альбер Кольмероэ в 1973 г. создает язык логического программирования Пролог.
Примерно в это же время выдающийся отечественный математик Ю. С. Маслов предложил так называемый обратный вывод, впоследствии

Слайд 43Ньюэл, Саймон и Шоу создали программу «Логик-теоретик», которая доказывала школьные

теоремы.
Однако логические модели имеют существенные ограничения по классам решаемых

задач, т.к. реальные задачи часто не сводятся к набору аксиом и человек не использует классическую логику.
Ньюэл, Саймон и Шоу создали программу «Логик-теоретик», которая доказывала школьные теоремы. Однако логические модели имеют существенные ограничения

Слайд 44В США появились первые коммерческие системы, основанные на знаниях, или

экспертные системы (середина 1970-х годов). На смену поиска универсального алгоритма

мышления пришла идея моделировать конкретные знания специалистов-экспертов. Стал применяться новый подход к решению задач искусственного интеллекта – представление знаний. Это существенный прорыв в развитие практических приложений искусственного интеллекта. Созданы программы MYCIN (медицина), DENDRAL (химия). Финансирование осуществляется Пентагоном и др.
В США появились первые коммерческие системы, основанные на знаниях, или экспертные системы (середина 1970-х годов). На смену

Слайд 45


В конце 70-х в Японии объявлено о начале проекта машин

V поколения, основанных на знаниях. Проект рассчитывался на 10 лет

и включал много квалифицированных специалистов. В результате создан громоздкий и дорогой ПРОЛОГо- подобный язык, не получивший широкого признания. Были достигнуты результаты в различных прикладных задачах, японская ассоциация ИИ насчитывала к середине 90-х годов 40 тыс. чел.

Начиная с середины 1980-х годов растут капиталовложения в ИИ, создаются промышленные экспертные системы, ИИ становится одной из наиболее перспективных и престижных областей информатики (computer science).

В конце 70-х в Японии объявлено о начале проекта машин V поколения, основанных на знаниях. Проект рассчитывался

Слайд 46История искусственного интеллекта в России

История искусственного интеллекта в России

Слайд 47


В 1954 г. в МГУ начал свою работу семинар «Автоматы

и мышление» под руководством академика Ляпунова А. А. (1911-1973), одного

из основателей российской кибернетики. В этом семинаре принимали участие физиологи, лингвисты, психологи, математики. Принято считать, что именно в это время родился искусственный интеллект в России. Как и за рубежом, выделились два основных направления — нейрокибернетики и кибернетики «черного ящика».

В 1954-1964 гг. создаются отдельные программы и проводятся исследования в области поиска решения логических задач. В Ленинграде (ЛОМИ — Ленинград­ское отделение математического института им. Стеклова) создается программа АЛПЕВ ЛОМИ, автоматически доказывающая теоремы. Она основана на оригинальном обратном выводе Маслова, аналогичном методу резолюций Робинсона. Среди наиболее значимых результатов, полученных отечественными учеными в 60-е годы, следует отметить алгоритм «Кора» Михаила Моисеевича Бонгарда, моделирующий деятельность человеческого мозга при распознавании образов. Большой вклад в становление российской школы ИИ внесли выдающиеся ученые Цетлин М.Л., Пушкин В.Н., Гаврилов М.А, чьи ученики и явились пионерами этой науки в России (например, знаменитая Гавриловская школа).

В 1954 г. в МГУ начал свою работу семинар «Автоматы и мышление» под руководством академика Ляпунова А.

Слайд 48


В 1965-1980 гг. происходит рождение нового направления — ситуационного управления

(соответствует представлению знаний, в западной терминологии). Основателем этой научной школы

стал проф. Поспелов Д.А. Были разработаны специальные модели представления ситуаций — представления знаний [Поспелов, 1986]. В ИПМ АН СССР был создан язык символьной обработки данных РЕФАЛ [Тургин, 1968].

Огромную роль в борьбе за признание ИИ в нашей стране сыграли академики А.И. Бергн и Г.С. Поспелов.

Поспелов Гермоген Сергеевич
1914 - 1998

Поспелов Дмитрий Александрович

В 1965-1980 гг. происходит рождение нового направления — ситуационного управления (соответствует представлению знаний, в западной терминологии). Основателем

Слайд 49


Только в 1974 году при Комитете по системному анализу при

президиуме АН СССР был создан Научный совет по проблеме «Искусственный

интеллект», его возглавил Г. С. Поспелов, его заместителями были избраны Д. А. Поспелов и Л. И. Микулич. В состав совета входили на разных этапах М. Г. Гаазе-Рапопорт, Ю. И. Журавлев, Л. Т. Кузин, А. С. Нариньяни, Д. Е. Охоцимский, А. И. Поло-винкин, О. К. Тихомиров, В. В. Чавчанидзе.

По инициативе Совета было организовано пять комплексных научных проектов, которые были возглавлены ведущими специалистами в данной области. Проекты объединяли исследования в различных коллективах страны: «Диалог» (работы по пониманию естественного языка, руководители А. П. Ершов, А. С. Нариньяни), «Ситуация» (ситуационное управление, Д. А. Поспелов), «Банк» (банки данных, Л. Т. Кузин), «Конструктор» (поисковое конструирование, А. И. Половинкин), «Интеллект робота» (Д. Е. Охоцимский).
В 1980-1990 гг. проводятся активные исследования в области представления знаний, разрабатываются языки представления знаний, экспертные системы (более 300).

Только в 1974 году при Комитете по системному анализу при президиуме АН СССР был создан Научный совет

Слайд 50


В 1988 г. создается АИИ — Ассоциация искусственного интеллекта. Ее

членами являются более 300 исследователей.
Президентом Ассоциации единогласно избирается Д. А.

Поспелов, выдающийся ученый, чей вклад в развитие ИИ в России трудно переоценить. Крупнейшие центры — в Москве, Петербурге, Переславле-Залесском, Новосибирске. В научный совет Ассоциации входят ведущие исследователи в области ИИ — В. П. Гладун, В. И. Городецкий, Г. С. Осипов, Э. В. Попов, В. Л. Стефанюк, В. Ф. Хорошевский, В. К. Финн, Г. С. Цейтин, А. С. Эрлих и другие ученые. В рамках Ассоциации проводится большое количество исследований, организуются школы для молодых специалистов, семинары, симпозиумы, раз в два года собираются объединенные конференции, издается научный журнал.
В 1988 г. создается АИИ — Ассоциация искусственного интеллекта. Ее членами являются более 300 исследователей.Президентом Ассоциации единогласно

Слайд 51


Уровень теоретических исследований по искусственному интеллекту в России ничуть не

ниже мирового.
К сожалению, начиная с 80-х гг. на прикладных

работах начинает сказываться постепенное отставание в технологии.
На данный момент отставание в области разработки промышленных интеллектуальных систем составляет порядка 3-5 лет.
Уровень теоретических исследований по искусственному интеллекту в России ничуть не ниже мирового. К сожалению, начиная с 80-х

Слайд 52Направления искусственного интеллекта
Представление знаний.
Игры и творчество.
Разработка естественно-языковых интерфейсов и машинный

перевод.
Распознавание образов.
Новые архитектуры компьютеров.
Интеллектуальные роботы.
Специальное программное обеспечение.
Обучение и самообучение.
Когнитивное моделирование

Направления искусственного интеллектаПредставление знаний.Игры и творчество.Разработка естественно-языковых интерфейсов и машинный перевод.Распознавание образов.Новые архитектуры компьютеров.Интеллектуальные роботы.Специальное программное обеспечение.Обучение

Слайд 53Другие направления
ИИ - междисциплинарная наука, которая, как мощная река по

дороге к морю, вбирает в себя ручейки и речки смежных

наук. Выше перечислены лишь те направления, которые прямо или косвенно связаны с основной тематикой учебника - инженерией знаний. Стоит лишь взглянуть на основные рубрикаторы конференций по ИИ, чтобы понять, насколько широко простирается область исследований по ИИ:
 генетические алгоритмы;
 когнитивное моделирование;
 интеллектуальные интерфейсы;
 распознавание и синтез речи;
Другие направленияИИ - междисциплинарная наука, которая, как мощная река по дороге к морю, вбирает в себя ручейки

Слайд 54 дедуктивные модели;
 многоагентные системы;
 онтологии;
 менеджмент

знаний;
 логический вывод;
 формальные модели;
 мягкие вычисления

и многое другое.
 дедуктивные модели;  многоагентные системы;  онтологии;  менеджмент знаний;  логический вывод;  формальные модели;

Слайд 551. Представление знаний и разработка систем, основанных на знаниях (knowledge-based

systems)


Это основное направление в области разработки систем искусственного интеллекта.

Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем. В последнее время включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.
1. Представление знаний и разработка систем, основанных на знаниях (knowledge-based systems) Это основное направление в области разработки

Слайд 562. Программное обеспечение систем ИИ (software engineering for Al)


В

рамках этого направления разрабатываются специальные языки для решения интеллектуальных задач,

в которых традиционно упор делается на преобладание логической и символьной обработки над вычислительными процедурами. Эти языки ориентированы на символьную обработку информации — LISP, PROLOG, SMALLTALK, РЕФАЛ и др.
2. Программное обеспечение систем ИИ (software engineering for Al) В рамках этого направления разрабатываются специальные языки для

Слайд 572. Программное обеспечение систем ИИ (software engineering for Al)


Помимо

этого создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных

систем, или программные инструментарии искусственного интеллекта, например КЕЕ, ART, G2 [Хейес-Рот и др., 1987; Попов, Фоминых, Кисель, Шапот, 1996]. Достаточно популярно также создание так называемых пустых экспертных систем или «оболочек» — KAPPA, EXSYS, Ml, ЭКО и др., базы знаний которых можно наполнять конкретными знаниями, создавая различные прикладные системы.
2. Программное обеспечение систем ИИ (software engineering for Al) Помимо этого создаются пакеты прикладных программ, ориентированные на

Слайд 58Интеллектуальные роботы (robotics)
Идея создания роботов далеко не нова. Само слово

«робот» появилось в 20-х годах, как производное от чешского «робота»

— тяжелой грязной работы. Его автор — чешский писатель Карел Чапек, описавший роботов в своем рассказе «Р.У.Р».
Роботы — это электротехнические устройства, предназначенные для автоматизации человеческого труда.
Можно условно выделить несколько поколений в истории создания и развития робототехники:
Интеллектуальные роботы (robotics) Идея создания роботов далеко не нова. Само слово «робот» появилось в 20-х годах, как производное

Слайд 59Интеллектуальные роботы (robotics)
В 1947 году в Арагонской национальной лаборатории

были впервые разработаны механические руки для работы с радиоактивными материалами.

Уже в 1948 году данные роботы были оснащены системой отражения усилия, чтобы оператор имел возможность ощущать усилие, развиваемое исполнительным органом . Первые луноходы и марсоходы были оснащены манипуляторами для сбора грунта. Управление данными манипуляторами осуществлялось с земли по командам оператора. В 1963 году уже была исследована проблема распознавания многогранных объектов, а в 1968 году уже были созданы программные устройства, позволяющие с применением телевизионной камеры находить предметы, которые должен был взять робот своим захватным устройством.
Интеллектуальные роботы (robotics) В 1947 году в Арагонской национальной лаборатории были впервые разработаны механические руки для работы

Слайд 60Интеллектуальные роботы (robotics)
Таким образом, теоретические основы современной робототехники были заложены

еще в 60-е годы, но их реализация сдерживалась отсутствием соответствующих

технологий, материалов, ресурсов вычислительных систем. В это же время писатель-фантаст Айзек Азимов придумывает слово «роботикс» (робототехника) и впервые формулирует три закона робототехники:
Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинен вред.
Робот должен подчинятся командам человека, если эти команды не противоречат первому закону.
Робот должен заботиться о своей безопасности, пока это не противоречит первому и второму закону.
Эти три закона Айзека Азимова до сегодняшнего дня остаются стандартами при проектировании и разработке роботов.
Интеллектуальные роботы (robotics)Таким образом, теоретические основы современной робототехники были заложены еще в 60-е годы, но их реализация

Слайд 61Интеллектуальные роботы (robotics)
Робототехника ХХ века характеризуется выдающимися практическими достижениями.
Советские луноходы

покорили Луну. 17 ноября 1970 года Луноход-1 (аппарат 8ЕЛ, вес

756 кг, длина с открытой крышкой солнечной батареи 4,42 м, ширина 2,15 м, высота 1,92 м) съехал с посадочной ступени на лунный грунт в Море Дождей). Он стал пятым подвижным образованием на Луне после Армстронга, Олдрина, Конрада и Бина. Луноход-1 активно функционировал 301 сутки 06 час 37 мин, прошел расстояние 10 540 м, обследовал площадь в 80 000 м2, с помощью телесистем передал свыше 20 000 снимков поверхности и более 200 панорам, более чем в 500 точках поверхности определил физико-механические свойства поверхностного слоя лунного грунта, а в 25 точках провел его химический анализ.
Интеллектуальные роботы (robotics)Робототехника ХХ века характеризуется выдающимися практическими достижениями.Советские луноходы покорили Луну. 17 ноября 1970 года Луноход-1

Слайд 62Интеллектуальные роботы (robotics)
Луноход-2 в составе станции Е-8 № 204 (Eyna-21)

был запущен 8 января 1973 года. Последнее сообщение ТАСС о

движении аппарата было датировано 9 мая. Говорилось, что луноход начал движение от разлома Прямой на восток к мысу Дальний. Судя по всему, в этот день было пройдено лишь 800 м. Там луноход и остался. Погубил его кратер. Луноход-2 смог превысить отпущенные ему ресурсом три месяца.
Интеллектуальные роботы (robotics)Луноход-2 в составе станции Е-8 № 204 (Eyna-21) был запущен 8 января 1973 года. Последнее

Слайд 63Интеллектуальные роботы (robotics)

I поколение. Роботы с жесткой схемой управления. Практически

все современные промышленные роботы принадлежат к первому поколению. Фактически это

программируемые манипуляторы.
II поколение. Адаптивные роботы с сенсорными устройствами. Есть образцы таких роботов, но в промышленности они пока используются мало.
III поколение. Самоорганизующиеся или интеллектуальные роботы. Это — конечная цель развития робототехники. Основные нерешенные проблемы при создании интеллектуальных роботов — проблема машинного зрения и адекватного хранения и обработки трехмерной визуальной информации.
В настоящее время в мире изготавливается более 60 000 роботов в год.
Интеллектуальные роботы (robotics)I поколение. Роботы с жесткой схемой управления. Практически все современные промышленные роботы принадлежат к первому

Слайд 64Актуальность создания интеллектуальных мобильных роботов
Автономные интеллектуальные мобильные роботы предназначены для

автоматической работы в заранее неопределенных условиях внешней среды. Они могут

применяться в различных областях человеческой деятельности и могут решать различные задачи. Например, доставлять грузы, перемещать различные предметы, производить разведку, производить какую-либо технологическую операцию на большом пространстве (например, уборку помещения) и т.п.
Подобные системы готовы заменить человека при выполнении сложных технологических операциях, связанных с повышенным риском или с работой в экстремальных средах, например, в условиях повышенной радиации, давлении или безвоздушном пространстве, а также заменить человеческий труд на непопулярных профессиях.
Актуальность создания интеллектуальных мобильных роботов Автономные интеллектуальные мобильные роботы предназначены для автоматической работы в заранее неопределенных условиях внешней

Слайд 65Робот-вертолет Mantis (2003 г.)
Австралийские инженеры из организации CSIROАвстралийские инженеры из

организации CSIRO разработали робот-вертолёт MantisАвстралийские инженеры из организации CSIRO разработали

робот-вертолёт Mantis ("Богомол"), который способен к автономному полёту — впервые — без использования системы глобального позиционирования (GPS).
Высота "Богомола" 0,5 метра, а длина 1,5 метра. При этом новый вертолёт в 4-5 раз легче, чем любой другой беспилотный летательный аппарат, и стоит значительно дешевле.
Хотя роботом можно управлять дистанционно, в полёте машина может полагаться исключительно на свой компьютерный мозг и видеокамеры-глаза. Специально для вертолёта разработана система инерционного восприятий (Inertial Sensing System) с микроэлектромеханическими датчиками, сделанными из лёгкого сплава магния.
Робот-вертолет Mantis (2003 г.) Австралийские инженеры из организации CSIROАвстралийские инженеры из организации CSIRO разработали робот-вертолёт MantisАвстралийские инженеры из

Слайд 66Роботы-солдаты Talon,SWORDS (2004 г.)
Солдаты с дистанционным управлением появились на свет

в результате совместных действий армии США и маленькой компании из

Массачусетса под названием Foster-Miller.
Эта фирма была в ноябре прошлого года куплена QinetiQ Group PLCЭта фирма была в ноябре прошлого года куплена QinetiQ Group PLC, которая, в свою очередь, принадлежит министерству обороны Великобритании (MODЭта фирма была в ноябре прошлого года куплена QinetiQ Group PLC, которая, в свою очередь, принадлежит министерству обороны Великобритании (MOD) и американскому холдингу Carlyle Group.
Всё началось с роботов, именуемых "Когтями" (TALON). Они находятся на военной службе с 2000 года, побывали в Боснии, Афганистане и том же Ираке, работали своими механическими руками на развалинах ВТЦ после терактов 11 сентября.
Роботы-солдаты Talon,SWORDS (2004 г.)Солдаты с дистанционным управлением появились на свет в результате совместных действий армии США и

Слайд 67Роботы-солдаты Talon,SWORDS (2004 г.)
Их задачами были: обнаружение и обезвреживание взрывчатки

вместе с наблюдением за неприятием. И военные качеством выполнения этих

задач были довольны.
Однако через некоторое время армейские чиновники и сотрудники Foster-Miller, по их же словам, получили известие от солдат. Дескать, нравятся нам "Когти", спору нет, но давайте дадим им хоть какое-нибудь оружие.
Идя навстречу пожеланиям военнослужащих, инженеры из армейского арсенала в Нью-Джерси (Picatinny Arsenal) и Foster-Miller всего за шесть месяцев и $2 миллиона вооружили роботов.
Роботы-солдаты Talon,SWORDS (2004 г.)Их задачами были: обнаружение и обезвреживание взрывчатки вместе с наблюдением за неприятием. И военные

Слайд 68Роботы-солдаты Talon,SWORDS (2004 г.)
Так "Когти" превратились в "Мечи" (SWORDS — Special

Weapons Observation Reconnaissance Detection SystemsТак "Когти" превратились в "Мечи" (SWORDS —

Special Weapons Observation Reconnaissance Detection Systems), специальные системы обнаружения, разведки и наблюдения с оружием. Именно "Мечи" и окажутся в Ираке по весне. В стандартной комплектации у него имеется лёгкий пулемёт M249Так "Когти" превратились в "Мечи" (SWORDS — Special Weapons Observation Reconnaissance Detection Systems), специальные системы обнаружения, разведки и наблюдения с оружием. Именно "Мечи" и окажутся в Ираке по весне. В стандартной комплектации у него имеется лёгкий пулемёт M249 калибра 5,56 миллиметров (750 выстрелов в минуту) или "средний" пулемёт M240 калибра 7,62 (700-1000 в минуту). Без перезарядки робот может произвести 300 и 350 выстрелов соответственно. Цена одной машины $200 000.


Роботы-солдаты Talon,SWORDS (2004 г.)Так

Слайд 69Робот-солдат SWORD в действии

Робот-солдат SWORD в действии

Слайд 70Робот-таракан InsBot (2003 г.)
Разработкой автоматизированного шпиона в тараканьем стане занимаются

исследователи из трёх стран — Франции, Бельгии и Швейцарии. Уже сейчас

InsBot способен проникать в группы тараканов, влиять на них и изменять их поведение.
В течение десятилетия прикинувшийся тараканом лазутчик будет выводить мерзких насекомых из тёмных кухонных закоулков на чистую воду — туда, где они могут быть уничтожены.
Разработчики робота-агента мечтают вовсе не о том, чтобы раз и навсегда извести тараканов. Их замыслы глобальнее. Используя роботов, они хотят управлять животными.
Робот-таракан InsBot (2003 г.)Разработкой автоматизированного шпиона в тараканьем стане занимаются исследователи из трёх стран — Франции, Бельгии и

Слайд 71Интеллектуальный робот-пылесос (2003 г.) 14.01.03 11:16    
Компания iRobot выпустила интеллектуальный

пылесос, который получил имя Румба (Roomba). На его создание ушло три

года и несколько миллионов долларов.
Основные задачи, которые были поставлены перед разработчиками - снизить цену робота и максимально уменьшить энергопотребление. Мощность Румбы - всего лишь 30 ватт против типичных 1000 ватт.
Робот снабжен пятью щетками, двумя электромоторами для передвижения и еще тремя - для работы щетками. Мощный мотор, засасывающий любую пыль, в Румбе отсутствует. Его замещают щетки с противовращением, собирающие крупный сор, и маломощный вакуумный моторчик. В результате устройство работает от никелевых аккумуляторов.
Колеса робота могут поворачиваться в любую сторону, поэтому он может выехать из самых затруднительных положений.
Четыре инфракрасных датчика контролируют расстояние до пола и сразу же сообщают системе управления об уклоне или достижении края ступенек.
Система контроля состоит из 8-битного 16 МГц микропроцессора, 128 байт памяти и специализированной операционной системы.
Стоимость такого роботизированного пылесоса - $199.
Интеллектуальный робот-пылесос (2003 г.) 14.01.03 11:16     Компания iRobot выпустила интеллектуальный пылесос, который получил имя Румба (Roomba). На его

Слайд 72Обучение и самообучение.
Включает модели, методы и алгоритмы, ориентированные

на автоматическое накопление и формирование знаний с использованием процедур анализа

и обобщения данных. К данному направлению относятся системы добычи данных (Data mining) и системы поиска закономерностей в компьютерных базах данных.
Обучение и самообучение. Включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием

Слайд 73Понятие Data Mining
Data Mining – это процесс поддержки принятия решений,

основанный на поиске в данных скрытых закономерностей (шаблонов информации) .
Технологию

Data Mining достаточно точно определяет Григорий Пиатецкий-Шапиро (Gregory Piatetsky-Shapiro) – один из основателей этого направления:
Data Mining – это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности.
Суть и цель технологии Data Mining можно охарактеризовать так: это технология, которая предназначена для поиска в больших объемах данных неочевидных, объективных и полезных на практике закономерностей.
Понятие Data MiningData Mining – это процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей

Слайд 74Неочевидных – это значит, что найденные закономерности не обнаруживаются стандартными

методами обработки информации или экспертным путем.
Объективных – это значит, что

обнаруженные закономерности будут полностью соответствовать действительности, в отличие от экспертного мнения, которое всегда является субъективным.
Практически полезных – это значит, что выводы имеют конкретное значение, которому можно найти практическое применение.
Неочевидных – это значит, что найденные закономерности не обнаруживаются стандартными методами обработки информации или экспертным путем.Объективных –

Слайд 75Традиционные методы анализа данных (статистические методы) и OLAP в основном

ориентированы на проверку заранее сформулированных гипотез (verification-driven data mining) и

на «грубый» разведочный анализ, составляющий основу оперативной аналитической обработки данных (online analytical processing, OLAP), в то время как одно из основных положений Data Mining – поиск неочевидных закономерностей.
Инструменты Data Mining могут находить такие закономерности самостоятельно и также самостоятельно строить гипотезы о взаимосвязях.
Традиционные методы анализа данных (статистические методы) и OLAP в основном ориентированы на проверку заранее сформулированных гипотез (verification-driven

Слайд 76Мультидисциплинарность

Мультидисциплинарность

Слайд 77Задачи Data Mining
Классификация
Кластеризация
Прогнозирование
Ассоциация
Визуализация
анализ и обнаружение отклонений
Оценивание
Анализ связей
Подведение итогов

Задачи Data MiningКлассификацияКластеризацияПрогнозированиеАссоциацияВизуализацияанализ и обнаружение отклоненийОцениваниеАнализ связейПодведение итогов

Слайд 78Методы Data Mining. Технологические методы.
Непосредственное использование данных, или сохранение данных: кластерный

анализ, метод ближайшего соседа, метод k-ближайшего соседа, рассуждение по аналогии
Выявление

и использование формализованных закономерностей, или дистилляция шаблонов: логические методы; методы визуализации; методы кросс-табуляции; методы, основанные на уравнениях
Методы Data Mining. Технологические методы.Непосредственное использование данных, или сохранение данных: кластерный анализ, метод ближайшего соседа, метод k-ближайшего

Слайд 79Методы Data Mining. Статистические методы.
Дескриптивный анализ и описание исходных данных.
Анализ

связей (корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ).
Многомерный статистический

анализ (компонентный анализ, дискриминантный анализ, многомерный регрессионный анализ, канонические корреляции и др.).
Анализ временных рядов (динамические модели и прогнозирование).
Методы Data Mining. Статистические методы.Дескриптивный анализ и описание исходных данных.Анализ связей (корреляционный и регрессионный анализ, факторный анализ,

Слайд 80Методы Data Mining. Кибернетические методы.
Искусственные нейронные сети (распознавание, кластеризация, прогноз);
Эволюционное

программирование (в т.ч. алгоритмы метода группового учета аргументов);
Генетические алгоритмы

(оптимизация);
Ассоциативная память (поиск аналогов, прототипов);
Нечеткая логика;
Деревья решений; этот метод будет рассмотрен подробнее.
Системы обработки экспертных знаний.
Методы Data Mining. Кибернетические методы.Искусственные нейронные сети (распознавание, кластеризация, прогноз);Эволюционное программирование (в т.ч. алгоритмы метода группового учета

Слайд 81Визуализация инструментов Data Mining.
Для деревьев решений - визуализатор дерева решений,

список правил, таблица сопряженности.
Для нейронных сетей - в зависимости

от инструмента это может быть топология сети, график изменения величины ошибки, демонстрирующий процесс обучения.
Для карт Кохонена: карты входов, выходов, другие специфические карты.
Для линейной регрессии - линия регрессии.
Для кластеризации: дендрограммы, диаграммы рассеивания.
Визуализация инструментов Data Mining.Для деревьев решений - визуализатор дерева решений, список правил, таблица сопряженности. Для нейронных сетей

Слайд 82Проблемы и вопросы
Data Mining не может заменить аналитика!
Сложность разработки и

эксплуатации приложения Data Mining. Основные аспекты:
Квалификация пользователя
Сложность подготовки данных
Большой процент

ложных, недостоверных или бессмысленных результатов
Высокая стоимость
Наличие достаточного количества репрезентативных данных
Проблемы и вопросыData Mining не может заменить аналитика!Сложность разработки и эксплуатации приложения Data Mining. Основные аспекты:Квалификация пользователяСложность

Слайд 83Области применения Data mining
Database marketers - Рыночная сегментация, идентификация целевых

групп, построение профиля клиента
Банковское дело - Анализ кредитных рисков, привлечение

и удержание клиентов, управление ресурсами
Кредитные компании - Детекция подлогов, формирование "типичного поведения" обладателя кредитки, анализ достоверности клиентских счетов , cross-selling программы
Страховые компании - Привлечение и удержание клиентов, прогнозирование фингансовых показателей
Розничная торговля - Анализ деятельности торговых точек, построение профиля покупателя, управление ресурсами
Биржевые трейдеры - Выработка оптимальной торговой стратегии, контроль рисков
Области применения Data miningDatabase marketers - Рыночная сегментация, идентификация целевых групп, построение профиля клиентаБанковское дело - Анализ

Слайд 84Области применения Data mining. Продолжение.
Телекоммуникация и энергетика - Привлечение клиентов,

ценовая политика, анализ отказов, предсказание пиковых нагрузок, прогнозирование поступления средств
Налоговые

службы и аудиторы - Детекция подлогов, прогнозирование поступлений в бюджет
Фармацевтические компании - Предсказание результатов будущего тестирования препаратов, программы испытания
Медицина - Диагностика, выбор лечебных воздействий, прогнозирование исхода хирургического вмешательства
Управление производством - Контроль качества, материально-техническое обеспечение, оптимизация технологического процесса
Ученые и инженеры - Построение эмпирических моделей, основанных на анализе данных, решение научно-технических задач
Области применения Data mining. Продолжение.Телекоммуникация и энергетика - Привлечение клиентов, ценовая политика, анализ отказов, предсказание пиковых нагрузок,

Слайд 85Перспективы технологии Data Mining.
выделение типов предметных областей с соответствующими им

эвристиками
создание формальных языков и логических средств, с помощью которых будет

формализованы рассуждения
создание методов Data Mining, способных не только извлекать из данных закономерности, но и формировать некие теории, опирающиеся на эмпирические данные;
преодоление существенного отставания возможностей инструментальных средств Data Mining от теоретических достижений в этой области.
Перспективы технологии Data Mining.выделение типов предметных областей с соответствующими им эвристикамисоздание формальных языков и логических средств, с

Слайд 86Деревья решений. История и основные понятия.
Возникновение - 50-е годы (Ховиленд

и Хант (Hoveland, Hunt) )
Метод также называют деревьями решающих правил,

деревьями классификации и регрессии
Это способ представления правил в иерархической, последовательной структуре
Деревья решений. История и основные понятия.Возникновение - 50-е годы (Ховиленд и Хант (Hoveland, Hunt) )Метод также называют

Слайд 87Деревья решений. Пример 1.

Деревья решений. Пример 1.

Слайд 88Деревья решений. Пример 2.

Деревья решений. Пример 2.

Слайд 89Деревья решений. Преимущества метода.
Интуитивность деревьев решений
Возможность извлекать правила из

базы данных на естественном языке
Не требует от пользователя выбора

входных атрибутов
Точность моделей
Разработан ряд масштабируемых алгоритмов
Быстрый процесс обучения
Обработка пропущенных значений
Работа и с числовыми, и с категориальными типами данных
Деревья решений. Преимущества метода.Интуитивность деревьев решений Возможность извлекать правила из базы данных на естественном языке Не требует

Слайд 90Data mining

Data mining

Слайд 91Игры и машинное творчество.
Охватывает создание компьютерной музыки, стихов,

интеллектуальные системы для изобретения новых объектов, cоздание интеллектуальных компьютерных игр


Игры и машинное творчество. Охватывает создание компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов, cоздание интеллектуальных

Слайд 92Системы когнитивной графики.
Ориентированы на общение с пользователем ИИС посредством графических

образов, которые генерируются в соответствии с изменениями параметров моделируемых или

наблюдаемых процессов.
Системы когнитивной графики.Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями

Слайд 93Системы когнитивной графики.

Когнитивная графика позволяет в наглядном и выразительном виде представить

множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных

ситуаций, способствует быстрому освоению программных средств.
Системы когнитивной графики.Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает

Слайд 94Системы когнитивной графики.

Системы когнитивной графики.

Слайд 95Системы когнитивной графики.

Системы когнитивной графики.

Слайд 96Системы контекстной помощи.
В них пользователь описывает проблему,

а система на основе дополнительного диалога конкретизирует ее и выполняет

поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуемой информации.
Системы контекстной помощи. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее

Слайд 97Программное обеспечение систем ИИ
Языки программирования, ориентированные на обработку символьной

информации

знаний (OPS 5, KRL, FRL),
Программное обеспечение систем ИИ Языки программирования, ориентированные на обработку символьной информации

Слайд 98Программное обеспечение систем ИИ
интегрированные- программные среды, содержащие арсенал

инструментальных средств для создания систем ИИ (КБ, ARTS, GURU, G2),


оболочки экспертных систем (BUILD, EXSYS Professional, ЭКСПЕРТ),
Программное обеспечение систем ИИ интегрированные- программные среды, содержащие арсенал инструментальных средств для создания систем ИИ (КБ, ARTS,

Слайд 99Признаки ИИС
коммуникативные способности — способ взаимодействия конечного пользователя с

системой;
решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма

решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;
Признаки ИИС коммуникативные способности — способ взаимодействия конечного пользователя с системой; решение сложных плохо формализуемых задач, которые требуют

Слайд 100Признаки ИИС
способность к самообучению — умение системы автоматически извлекать

знания из накопленного опыта и применять их для решения задач;
адаптивность

— способность системы к развитию в соответствии с объективными изменениями области знаний.
Признаки ИИС способность к самообучению — умение системы автоматически извлекать знания из накопленного опыта и применять их

Слайд 101Модели представления знаний
Знания о некоторой ПрО представляют собой

совокупность сведений об объектах этой ПрО, их существенных свойствах и

связывающих их отношениях, процессах, протекающих в данной ПрО, а также методах анализа возникающих в ней ситуаций и способах разрешения ассоциируемых с ними проблем.
Модели представления знаний Знания о некоторой ПрО представляют собой совокупность сведений об объектах этой ПрО, их

Слайд 102Трактовки знаний
психологическая: психические образы, мысленные модели;
интеллектуальная: совокупность сведений о

некоторой ПрО, включающих факты об объектах данной Про, свойствах этих

объектов и связывающих их отношениях, описания процессов, протекающих в данной ПрО, а также информацию о способах решения типовых (в рамках этой ПрО) задач
Трактовки знаний психологическая: психические образы, мысленные модели;интеллектуальная: совокупность сведений о некоторой ПрО, включающих факты об объектах данной

Слайд 103Трактовки знаний
формально-логическая: формализованная информация о некоторой ПрО, используемая для получения

(вывода) новых знаний об этой ПрО с помощью специализированных процедур;
информационно-технологическая:

структурированная информация, хранящаяся в памяти ЭВМ и используемая при работе интеллектуальных программ
Трактовки знанийформально-логическая: формализованная информация о некоторой ПрО, используемая для получения (вывода) новых знаний об этой ПрО с

Слайд 104Классификация знаний

Классификация знаний

Слайд 105Классификация знаний
декларативные знания- факты, сведения описательного характера;
процедурные знания - информация

о способах решения типовых задач в некоторой ПрО);
метазнания чаще

всего определяются как «знания о знаниях» и содержат общие сведения о принципах использования знаний. К уровню метазнаний также относят стратегии управления выбором и применением процедурных знаний.
Классификация знанийдекларативные знания- факты, сведения описательного характера;процедурные знания - информация о способах решения типовых задач в некоторой

Слайд 106Классификация знаний
Знания, имеющих определенную степень достоверности: «Следующим днем календаря после

31 мая является 1 июня» и «Для кипячения воды при

нормальном давлении требуется ее нагрев до 100 °С».
Знания с нечеткой степенью достоверности: «Завтра в Москве будет дождь» и «При игре в шахматы не следует располагать коня на краю доски».
Классификация знанийЗнания, имеющих определенную степень достоверности: «Следующим днем календаря после 31 мая является 1 июня» и «Для

Слайд 107Концептуальные свойства знаний
1) внутренняя интерпретация;
2) наличие внутренней структуры связей;
3) наличие

внешней структуры связей;
4) шкалирование;
5) погружение в пространство с семантической метрикой;
6)

наличие активности.
Концептуальные свойства знаний1) внутренняя интерпретация;2) наличие внутренней структуры связей;3) наличие внешней структуры связей;4) шкалирование;5) погружение в пространство

Слайд 108Внутренняя интерпретация знаний
Позволяет соотнести данные, хранящиеся в памяти ЭВМ, с

их смысловым содержанием. Например, пусть в оперативном запоминающем устройстве ЭВМ

записано число «4». Очевидно, что этот факт сам по себе мало что говорит, так как непонятно, что конкретно обозначает число «4».
Внутренняя интерпретация знанийПозволяет соотнести данные, хранящиеся в памяти ЭВМ, с их смысловым содержанием. Например, пусть в оперативном

Слайд 109Внутренняя интерпретация знаний
По иному обстоят дела, если информация представлена выражением:

«Оценка студента Иванова на экзамене 4». Поскольку оценка на экзамене

— целое число, не большее 5 и не меньшее 2, такое представление накладывает ограничения на данные, заносимые в поле оценки.
Внутренняя интерпретация знанийПо иному обстоят дела, если информация представлена выражением: «Оценка студента Иванова на экзамене 4». Поскольку

Слайд 110Наличие внутренней и внешней структур связей
Основываются на структурном подходе к

представлению ПрО, согласно которому в объекте ПрО могут быть выделены

его части (элементы). Отношения между объектом-целым и его составляющими называются отношениями типа целое-часть (включение) и часть-целое (вхождение).
Наличие внутренней и внешней структур связейОсновываются на структурном подходе к представлению ПрО, согласно которому в объекте ПрО

Слайд 111Шкалирование знаний
Позволяет сопоставлять и упорядочивать качественно одинаковые, но различающиеся в

количественном плане свойства и отношения объектов ПрО. Мера этого различия

называется интенсивностью свойства или отношения.
Шкалирование знанийПозволяет сопоставлять и упорядочивать качественно одинаковые, но различающиеся в количественном плане свойства и отношения объектов ПрО.

Слайд 112Шкалирование знаний

Шкалирование знаний

Слайд 113Шкалирование знаний
Оппозиционные шкалы - разновидность порядковых шкал, концы которых соответствуют

крайним, несовместимым интенсивностям свойств и отношений, обозначаемым парами слов-антонимов. Среднее,

промежуточное положение на оппозиционных шкалах является нейтральным.
Шкалирование знанийОппозиционные шкалы - разновидность порядковых шкал, концы которых соответствуют крайним, несовместимым интенсивностям свойств и отношений, обозначаемым

Слайд 114Шкалирование знаний
Например: быстрый—медленный, острый—тупой, сильный—слабый, добрый— злой и т. д.

Применение оппозиционных шкал позволяет не только сопоставлять интенсивности свойств и

отношений, но и прослеживать направления их потенциальных изменений, а также очерчивать границы этих изменений.
Шкалирование знанийНапример: быстрый—медленный, острый—тупой, сильный—слабый, добрый— злой и т. д. Применение оппозиционных шкал позволяет не только сопоставлять

Слайд 115Многомерное семантическое пространство
Интеграция базовых оппозиционных шкал образует многомерное семантическое пространство,

точки которого соответствуют различным понятиям, а расстояния между точками —

семантической дистанции между этими понятиями. Само понятие многомерной шкалы выходит за рамки традиционной математической интерпретации шкалы как чисто линейного (т. е. одномерного) объекта типа координатной оси.
Многомерное семантическое пространствоИнтеграция базовых оппозиционных шкал образует многомерное семантическое пространство, точки которого соответствуют различным понятиям, а расстояния

Слайд 116Многомерное семантическое пространство
Вместе с тем, поскольку многие свойства и отношения

могут изменяться в нескольких аспектах (интенсивностях), существование подобных шкал объективно.

Так, например, звук принято характеризовать амплитудой, частотой и фазой (трехмерное представление), а положение точки на плоскости — значениями пары координат по осям X и Y (два измерения).
Многомерное семантическое пространствоВместе с тем, поскольку многие свойства и отношения могут изменяться в нескольких аспектах (интенсивностях), существование

Слайд 117Активность знаний
При поступлении в систему новых знаний должна осуществляться их

верификация с целью согласования новых знаний и уже содержащейся в

БЗ информации. Результатом этой верификации может быть модификация новых знаний и (или) сведений из БЗ, генерация запроса на уточнение «сомнительных » положений или же полная фальсификация поступившей информации.
Активность знанийПри поступлении в систему новых знаний должна осуществляться их верификация с целью согласования новых знаний и

Слайд 118ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
В логических моделях знания представляются в виде

совокупности правильно построенных формул какой-либо формальной системы (ФС), которая задается

четверкой:
ФС= {T,P,A,R},
где Т— множество базовых (терминальных) элементов, из которых формируются все выражения ФС;
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙВ логических моделях знания представляются в виде совокупности правильно построенных формул какой-либо формальной системы

Слайд 119ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Р — множество синтаксических правил, определяющих синтаксически

правильные выражения из терминальных элементов ФС;
А — множество аксиом

ФС, соответствующих синтаксически правильным выражениям, которые в рамках данной ФС априорно считаются истинными;
R — конечное множество правил вывода, позволяющих получать из одних синтаксически правильных выражений другие.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙР — множество синтаксических правил, определяющих синтаксически правильные выражения из терминальных элементов ФС; А

Слайд 120ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Простейшей логической моделью является исчисление высказываний.
Высказыванием

называется предложение, смысл которого можно выразить значениями: истина (Т) или

ложь (F). Например, предложения «лебедь белый» и «лебедь чёрный» будут вы­сказываниями.
Из простых высказываний можно составить более сложные:
«лебедь белый или лебедь черный»,
«лебеду белый и лебедь черный»,
«если лебедь небелый, то лебедь черный».
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙПростейшей логической моделью является исчисление высказываний. Высказыванием называется предложение, смысл которого можно выразить значениями:

Слайд 121ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Логика высказываний оперирует логическими связями между высказываниями,

т. е. она решает вопросы типа: «Можно ли на основе

высказывания А получить высказывание В»; «Истинно ли В при истинности А?» и т.п.
Элементарные высказывания рассматриваются как переменные логического типа, над которыми разрешены следующие логические операции:
¬ отрицание (унарная операция);
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙЛогика высказываний оперирует логическими связями между высказываниями, т. е. она решает вопросы типа: «Можно

Слайд 122ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
^ конъюнкция (логическое умножение);
v дизъюнкция (логическое сложение);
→

импликация (если - то);
↔ эквивалентность.

ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ^ конъюнкция (логическое умножение);v дизъюнкция (логическое сложение);→ импликация (если - то);↔ эквивалентность.

Слайд 123ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

Слайд 124ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Исчисление высказываний позволяет формализовать лишь малую часть

множества рассуждений, поскольку этот аппарат не позволяет учитывать внутреннюю структуру

высказывания, которая существует в естественных языках.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙИсчисление высказываний позволяет формализовать лишь малую часть множества рассуждений, поскольку этот аппарат не позволяет

Слайд 125ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
В логике высказываний для обозначения фактов

используются буквы(имена или идентификаторы или фразы), не имеющие структуры (используемые

как атомарные объекты), и принимающие значения "1" или "0" ("да" или "нет"). То, что фразы имеют атомарный характер, не позволяет обнаружить похожесть их смысла. Например, высказывания "расстояние от Земли до Солнца – 150 млрд. км" и "расстояние от Земли до Марса – 60 млн. км" имеют похожий смысл, но абсолютно разные в логике высказываний.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В логике высказываний для обозначения фактов используются буквы(имена или идентификаторы или фразы), не

Слайд 126ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Рассмотрим ставший классическим пример рассуждения о Сократе:
Р:

«Все люди смертны»
Q: «Сократ — человек»
R : «Сократ

- смертен»
Используя для обозначения высказываний логические переменные Р, Q, R можно составить формулу: (P ^ Q) →R , которая может быть интерпретирована как «Если все люди смертны и Сократ является человеком, то Сократ является смертным».
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙРассмотрим ставший классическим пример рассуждения о Сократе:Р: «Все люди смертны» Q: «Сократ — человек»

Слайд 127ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Однако эта формула не является общезначимой, поскольку

относится только к одному объекту (Сократу). Кроме того, высказывание R

не выводится из Р и Q, т.е., если бы мы не сформулировали R заранее, мы не смогли бы записать приведенную выше формулу.

ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙОднако эта формула не является общезначимой, поскольку относится только к одному объекту (Сократу). Кроме

Слайд 128ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Чтобы осуществить этот примитивный логический вывод, высказывание

Q следует разделить на две части: «Сократ» (субъект) и «человек»

(свойство субъекта) и представить в виде отношения «субъект — свойство», которое можно записать с помощью функции человек (Сократ).
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙЧтобы осуществить этот примитивный логический вывод, высказывание Q следует разделить на две части: «Сократ»

Слайд 129ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Очевидно, что свойство конкретного субъекта с именем

«Сократ» быть «человеком» может быть присуще и ряду других субъектов,

что позволяет заменить константу «Сократ» на некоторую переменную, например X. Тогда получим запись человек (X), которая обладает внутренней структурой, т.е. значение такого высказывания будет зависеть от его компонент. Записанная функция уже не является элементарным высказыванием, она называется предикатом.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙОчевидно, что свойство конкретного субъекта с именем «Сократ» быть «человеком» может быть присуще и

Слайд 130ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
«Под предикатом будем понимать некоторую связь, которая

задана на наборе из констант или переменных.
Пример предиката: «Р больше

Q».
Если семантика P и Q не задана, то о предикате сказать особенно нечего. Но при задании семантики ( т.е. областей определения переменных Р и Q) о предикате можно будет сказать существенно больше.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ«Под предикатом будем понимать некоторую связь, которая задана на наборе из констант или переменных.Пример

Слайд 131ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Например, если P и Q - площади

городов в России и Японии, то при задании списков городов

и подстановке значений из этих списков в переменные мы получим отношение между двумя сущностями и сможем судить о его истинности, например:
«Площадь Волгограда больше площади Хиросимы» = Т.
«Площадь Вологды больше площади Токио»=F.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙНапример, если P и Q - площади городов в России и Японии, то при

Слайд 132ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
В логике предикатов факты обозначаются n-арными логическими

функциями – предикатами F(x1,x2,...,xm), где F – имя предиката (функтор)

и xi – аргументы предиката. Имена предикатов неделимы, т.е. являются так называемыми атомами.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙВ логике предикатов факты обозначаются n-арными логическими функциями – предикатами F(x1,x2,...,xm), где F –

Слайд 133ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Аргументы могут быть атомами или функциями f(x1,x2,...,xm),

где f – имя функции, а x1,...,xm, так же как

и аргументы предикатов являются переменными или константами предметной области. В результате интерпретации предиката функторы и аргументы принимают значения констант из предметной области (строк, чисел, структур и т.д.).
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙАргументы могут быть атомами или функциями f(x1,x2,...,xm), где f – имя функции, а x1,...,xm,

Слайд 134ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Выше приведенные примеры высказываний в виде предикатов

будут выглядеть как "расстояние(Земля, Солнце, 150000000000)" и "расстояние(Земля, Марс, 60000000)".

Так как они имеют определенную структуру, их можно сравнивать по частям, моделируя работу с содержащимся в них смыслом.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙВыше приведенные примеры высказываний в виде предикатов будут выглядеть как

Слайд 135ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Предикат с арностью n > 1 может

используется в инженерии знаний для представления n-арного отношения, связывающего между

собой n сущностей (объектов) – аргументов предиката. Например, предикат отец("Иван", "Петр Иванович") может означать, что сущности "Иван" и "Петр Иванович" связаны родственным отношением, а именно, последний является отцом Ивана или наоборот.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙПредикат с арностью n > 1 может используется в инженерии знаний для представления n-арного

Слайд 136ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Предикат "компьютер(память, клавиатура, процессор, монитор)" может обозначать

понятие "компьютер" как отношение, связывающее между собой составные части компьютера,

предикат "внутри(процессор_Pentium, компьютер)" – то, что внутри компьютера находится процессор Pentium.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙПредикат

Слайд 137ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Предикат с арностью n = 1 может

представлять свойство сущности (объекта), обозначенного аргументом или характеристику объекта, обозначенного

именем предиката. Например, кирпичный(дом), оценка(5), улица("Красный проспект"), дата_рождения("1 апреля 1965 г."), быстродействие("1 Мфлопс").
Предикат с арностью n = 0 (без аргументов) может обозначать событие, признак или свойство, относящееся ко всей предметной области. Например, "конец работы".
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙПредикат с арностью n = 1 может представлять свойство сущности (объекта), обозначенного аргументом или

Слайд 138ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

Слайд 139ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Переменные, находящиеся в сфере действия кванторов, называют

связанными, остальные переменные в логических формулах называются свободными. Для того

чтобы можно было говорить об истинности какого-либо утверждения без подстановки значений в переменные, все входящие в него переменные должны быть связаны кванторами.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙПеременные, находящиеся в сфере действия кванторов, называют связанными, остальные переменные в логических формулах называются

Слайд 140ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
К недостаткам логики предикатов как метода представления

знаний можно отнести следующее:
монотонность логического вывода, т.е. невозможность пересмотра полученных

промежуточных результатов (они считаются фактами, а не гипотезами);
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙК недостаткам логики предикатов как метода представления знаний можно отнести следующее:монотонность логического вывода, т.е.

Слайд 141ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
невозможность применения в качестве параметров предикатов других

предикатов, т.е. невозможность формулирования знаний о знаниях;
детерминированность логического вывода, т.е.

отсутствие возможности оперирования с нечеткими знаниями.
Но логику предикатов можно использовать как основу для конструирования более сложных и удобных логических методов представления знаний.
ЛОГИЧЕСКАЯ МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙневозможность применения в качестве параметров предикатов других предикатов, т.е. невозможность формулирования знаний о знаниях;детерминированность

Слайд 142Продукционная модель
Продукционная модель в силу своей простоты получила наиболее широкое

распространение. В этой модели знания представ­ляются в виде совокупности правил

типа «ЕСЛИ - ТО».
Любое продукционное правило, содержащееся в БЗ, состоит из двух частей: антеце­дента и консеквента.
Продукционная модельПродукционная модель в силу своей простоты получила наиболее широкое распространение. В этой модели знания представ­ляются в

Слайд 143Продукционная модель
Антецедент представляет собой посылку правила (условную часть) и состоит

из элементарных предложений, соединенных логическими связками И, ИЛИ.
Консеквент (заключение)

включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению.
АНТЕЦЕДЕНТ → КОНСЕКВЕНТ
Продукционная модельАнтецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками И,

Слайд 144Продукционная модель
Примеры Продукционных правил:
ЕСЛИ «двигатель не заводится» И «стартер двигателя

не работает», ТО «неполадки в системе электропитания стартера»;
ЕСЛИ «животное имеет

перья», ТО «животное - птица».
Антецеденты и консеквенты правил формируются из атрибутов и значений, например:
Атрибут Значение
Двигатель Не заводится
Стартер двигателя Не работает
Животное Имеет перья
Животное Птица
Продукционная модельПримеры Продукционных правил:ЕСЛИ «двигатель не заводится» И «стартер двигателя не работает», ТО «неполадки в системе электропитания

Слайд 145Продукционная модель
Более широкие возможности имеет способ описания с помощью триплетов

объект—атрибут- значение. В этом случае отдельная сущность предметной об­ласти рассматривается

как объект, а данные, хранящиеся в рабо­чей памяти, показывают значения, которые принимают атрибуты этого объекта.
Примеры триплетов:
собака — кличка — Граф;
собака — порода - ризеншнауцер;
собака - окрас — черный.
Продукционная модельБолее широкие возможности имеет способ описания с помощью триплетов объект—атрибут- значение. В этом случае отдельная сущность

Слайд 146Продукционная модель
Одним из преимуществ такого представления знаний является уточнение контекста,

в котором применяются правила. Например, правило, относящееся к объекту «собака»,

должно быть применимо для собак с любыми кличками, всех пород и окрасок. С введением триплетов правила из базы правил могут срабатывать более одного раза в процессе одного логического вывода, поскольку одно правило может применяться к различным экземплярам объекта (но не более одного раза к каждому экземпляру).
Продукционная модельОдним из преимуществ такого представления знаний является уточнение контекста, в котором применяются правила. Например, правило, относящееся

Слайд 147Продукционная модель
В рабочей памяти продукционной системы хранятся пары атрибут -

значение, истинность которых установлена в процессе решения конкретной задачи к

некоторому текущему моменту времени. Содержимое рабочей памяти изменяется в процессе решения задачи. Это происходит по мере срабатывания правил. Правило срабатывает, если при сопоставлении фактов, содержащихся в рабочей памяти, с антецедентом анализируемого правила имеет место совпадение, при этом заключение сработавшего правила заносится в рабочую память. Поэтому в процессе логического вывода объем фактов в рабочей памяти, как правило, увеличивается (уменьшаться он может в том случае, если действие какого-нибудь правила состоит в удалении фактов из рабочей памяти). В процессе логического вывода каждое правило из базы правил может сработать только один раз.
Продукционная модельВ рабочей памяти продукционной системы хранятся пары атрибут - значение, истинность которых установлена в процессе решения

Слайд 148Список литературы
1.А.В. Андрейчиков, О.Н. Андрейчикова. Интеллектуальные информационные системы.
2.В.Н. Вагин. Дедукция

и обобщение в системах принятия решений.
3. В.Н. Вагин. Достоверный и

правдоподобный вывод в интеллектуальных системах.
4. А.В. Гаврилов. Системы искусственного интеллекта.
5. А.И. Башмаков, И.А. Башмаков. Интеллектуальные информационные технологии.
6. Т.А. Гаврилова, В.Ф. Хорошевский. Базы знаний интеллектуальных систем.
Список литературы1.А.В. Андрейчиков, О.Н. Андрейчикова. Интеллектуальные информационные системы.2.В.Н. Вагин. Дедукция и обобщение в системах принятия решений.3. В.Н.

Похожие презентации

ДЕНЬГИ ДЕНЬГИ 207
Быховский замок: международный фестиваль средневековой культуры Земля предков Быховский замок: международный фестиваль средневековой культуры Земля предков 211
Контрольная работа – это отчет Контрольная работа – это отчет 177
Перевод в спорте Перевод в спорте 192
Созвездие Эридан Созвездие Эридан 193
Экономическое чудо Эрхарда в Германии Экономическое чудо Эрхарда в Германии 266
Система специального образования нового типа Система специального образования нового типа 220
Измерение аберраций оптических систем Измерение аберраций оптических систем 229
С.Сейфуллин атындағы ҚазАТУ С.Сейфуллин атындағы ҚазАТУ 195
Порядок подготовки и проведения государственной итоговой аттестации с Порядок подготовки и проведения государственной итоговой аттестации с 245
Проект Проект "Профессии. Мой папа - авиадиспетчер" 439
Учалылағы мәғариф: кисә, бөгөн, иртәгә исемле м униципаль фәнни-практик Учалылағы мәғариф: кисә, бөгөн, иртәгә исемле м униципаль фәнни-практик 232
РОМАНСКИЙ И ГОТИЧЕСКИЙ СТИЛИ В АРХИТЕКТУРЕ РОМАНСКИЙ И ГОТИЧЕСКИЙ СТИЛИ В АРХИТЕКТУРЕ 170
Государственное управление в Древней Руси (IX – начало XII вв.) Государственное управление в Древней Руси (IX – начало XII вв.) 251
Глоссарий Глоссарий 247
Структура рынка ценных бумаг Структура рынка ценных бумаг 196
Страны Европы во II половине XX века Страны Европы во II половине XX века 216
Влияние курения на организм матери и ребенка Подготовила с тудентка 207 группы Влияние курения на организм матери и ребенка Подготовила с тудентка 207 группы 155
Добрята за ЗОЖ! Добрята за ЗОЖ! 193
ГРЕЦИЯ ГРЕЦИЯ 218

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.

Для правообладателей

Яндекс.Метрика