Слайд 1ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В ИНФОРМАЦИОННЫХ СИСТЕМАХ
Слайд 2Искусственный интеллект – это совокупность аппаратно-программных средств, позволяющих решать сложные
задачи на основе имитации интеллектуальной деятельности человека. Искусственный интеллект позволяет
имитировать следующие возможности человеческого мозга:
способность к обучению;
способность к обобщению;
способность к адаптации;
способность образного мышления.
Слайд 3Одним из направлений искусственного интеллекта является работа систем, основанных на
знаниях.
Знания – это выявленные закономерности предметной области (в которой
работает информационная система), позволяющие решать возникающие задачи.
Знания связаны с данными, основываются на них, но представляют результат мыслительной деятельности человека.Знания хранятся в базе знаний.
Слайд 4Главная особенность баз знаний и программ их обрабатывающих заключается в
том, что они способны не только выдавать на запросы пользователей
сообщения, хранящиеся в памяти ЭВМ, но и формировать ответы на основе логических выводов, не хранящиеся в ЭВМ в явном виде.
Слайд 5Знания могут быть квалифицированы по следующим категориям:
поверхностные – это знания
о видимых взаимосвязях между отдельными событиями и фактами в предметной
области;
глубинные – это абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.
Современные экспертные системы работают с поверхностными знаниями
Слайд 6Также знания можно разделить на процедурные и декларативные. Процедурные знания
– это знания, основанные на алгоритмах, которые обрабатывают данные. Для
изменения таких знаний необходимо изменять программы, которые работают по заданным алгоритмам.
Декларативные знания сосредоточены в структурах данных, таких как таблицы, списки, абстрактные типы данных.
Декларативными знаниями считаются предложения, записанные на специальных языках представления знания, приближенных к естественному языку общения человека.
Такие языки называют также моделями знаний.
Слайд 7Существуют следующие модели представления знания, которые используются в информационных системах:
продукционные;
семантические
сети:
фреймы.
Слайд 8Продукционная модель знаний состоит из трех основных компонентов:
рабочая память, в
которой хранятся исходные факты и результаты выводов, полученных из этих
фактов;
набор правил, представляющих собой базу знаний;
механизм логического вывода, формулирующий новые факты.
Слайд 9Работа данной модели будет выглядеть следующим образом.
Например, в рабочей
памяти хранятся следующие исходные факты:
Доля выборки записей при запросах в
работающей БД составляет 9%.
Используемая при работе ЭВМ – IMB PC AT.
Имеется следующий набор правил:
Если используется метод доступа индексный, то используемая СУБД – Access.
Если используется метод доступа последовательный, то используемая СУБД – FoxPro.
Если доля выборки записей при запросах составляет менее 10%, то метод доступа индексный.
Слайд 10Следует определить, какая СУБД используется, и какой метод доступа применяется
.
Первым будет сопоставлено условие правила 3 с фактами из рабочей
памяти. В результате будет сформулирован новый факт – «Используется индексный метод доступа».
Затем будет сопоставлено условие правила 1 с фактами из рабочей памяти. В результате будет сформулирован новый факт – «Используемая СУБД при работе – Access».
Слайд 11В результате мы получили два новых факта. Эти факты можно
включить в рабочую память, в результате чего объем знаний у
модели увеличится, и она сможет отвечать на новые вопросы и решать новые задачи.
Для получения вывода в приведенном примере правила применялись к фактам, записанным в рабочей памяти. В результате применения правил добавлялись новые факты в рабочую память. Такой способ действий называется прямым выводом.
Слайд 12Возможен также обратный вывод целей.
В качестве цели выступает подтверждение
истинности факта, отсутствующего в рабочей памяти.
При обратном выводе исследуется
возможность применения правил, подтверждающих цель, необходимые для этого дополнительные факты становятся новыми целями и процесс повторяется.
Слайд 13Представление знаний в виде набора правил имеет следующие преимущества:
простота создания
и понимания отдельных правил;
простота механизма логического вывода.
К недостаткам этого способа
организации базы знаний относятся неясность взаимных отношений правил и отличие от человеческой структуры знаний.
Слайд 14В основе модели фреймов лежит фиксация знаний путем сопоставления новых
фактов с рамками, определенными для каждого объекта в сознании человека.
Структура в памяти ЭВМ, представляющая эти рамки, называется фреймом.
Фрейм представляет собой таблицу, структура и принципы организации которой являются аналогичными отношениям, которые используются в реляционных моделях данных.
Слайд 15Различие заключается в следующем:
имя атрибута может в ряде случаев занимать
в фрейме позицию значения;
значением атрибута может служить имя другого фрейма
или имя программно реализованной процедуры.
Слайд 16Структура фрейма состоит из слотов. Слот фрейма – это элемент
данных, предназначенный для фиксации знаний об объекте, которому отведен данный
фрейм. Каждый слот имеет следующие параметры:
уникальное имя слота;
указатель наследования, который показывает, какую информацию верхнего уровня наследуют слоты нижнего уровня;
указатель типа данных.
Слайд 17Общий вид фрейма имеет следующий вид:
Имя фрейма
Имя слота 1 (значение)
Имя
слота 2 (значение)
…..
Имя слота N (значение)
Слайд 18Пример.
Для объекта «преподаватель» фрейм будет выглядеть следующим образом:
Преподаватель
ФИО (Васильев
И.В.)
Должность (доцент)
Звание (кандидат наук)
и т.д.
Слайд 19Фреймовые системы имеют следующие преимущества по сравнению с продукционной моделью
представления знаний:
знания основаны на базе объектов;
допускается комбинация представления декларативных (как
устроен объект) и процедурных (как взаимодействует объект) знаний;
иерархия фреймов соответствует классификации понятий, которая привычна для восприятия человеком;
система фреймов легко расширяется и модифицируется.
Слайд 20 Модель семантических сетей представляет собой единую совокупность базы знаний и
механизма вывода новых фактов. На основании вопроса к базе знаний
строится семантическая сеть, отображающая структуру вопроса. Ответ получается в результате сопоставления общей сети для базы знаний в целом и сети для вопроса.
Слайд 21Например, дана семантическая сеть (точнее часть сети), отображающая деятельность коммерческой
фирмы.
Слайд 22Для вопроса «Кто руководит человеком, который развозит товар в магазин
«Вектор», и как его зовут?» будет построена следующая сеть, отображающая
структуру вопроса:
Слайд 24 Модель семантических сетей логически понятна для проектировщика ЭИС. Однако ее
главный недостаток заключается в том, что при увеличении размеров сети
увеличивается время вывода новых фактов с помощью механизма сопоставления.
