Балтийский Федеральный университет им. И. Канта Институт
Балтийский Федеральный университет им. И. Канта Институт прикладной математики и информационных технологий Кафедра компьютерного моделирования и информационных систем СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА КУРС ЛЕКЦИЙ ДЛЯ МАГИСТРОВ Александр Васильевич Колесников доктор технических наук, профессор Калининград, 2012
Определение искусственного интеллекта Системы, которые думают как люди Системы, которые думают «Автоматизация действий ассоциируемых рационально с человеческим мышлением, т. е. принятие «Изучение таких вычислений, которые решений, решение задач, обучение» позволяют чувствовать, рассуждать и действовать» Системы, которые действуют подобно рационально людям «Искусственный интеллект – наука, « Наука о том, как научить компьютеры изучающая интеллектуальное поведение делать то, в чем люди в настоящее время артефактов» их превосходят»
Новости искусственного интеллекта Японский робот Geminoid F, очень похожий на настоящую девушку, дал свой первый концерт в столице Китая – Гонконге. Робот-девушка Geminoid F - разработка профессора Хироши Ишигуро из Университета Осаки. Андроид отлично пародирует поведение девушки, он строит загадочные выражения лица, закатывает глазки и приятно поет. Стоимость Geminoid F- 110 тысяч долларов. Для воспроизведения человеческой мимики на лице Geminoid F расположено 12 автоматических воздушных приводов. Они позволяют роботу принимать 65 разных выражений лица. Робот отлично разговаривает и поет, и способен копировать голоса людей. 28. 08. 2012 г.
Новости искусственного интеллекта IBM планирует разработать искусственный интеллект к 2029 году. Проект получил название Blue Brain Project - повышение возможностей человеческого мозга за счет увеличения объема памяти и скорости работы с информацией. Проблема. Если часть памяти человека будет храниться в цифровом мозге, то она будет подвержена тем же угрозам, что и обычный компьютер. А это различные троянские вирусы, программы-шпионы, вирусы-разрушители и т. п. 07. 2011 г. Учёный Арон Кисди (Великобритания) разработал роботизированных пчёл для исследования Марса. Пчелиный рой запрограммирован на слаженную работу в группе. Его задача - поиск пещер. 07. 2011 г.
Новости искусственного интеллекта В июле 2011 г IBM продемонстрирована экспериментальные чипы, структура которых напоминает мозг человека. Чипы оснащены 256 нейронами. IBM намерены собрать систему, в которой будет 10 млрд. нейронов. Объем системы не будет превышать двух литров. 07. 2011 г. Итальянские ученые из Института технологий создали робота способного учится запоминать разнообразные объекты, испытывать эмоции и говорить (август 2011 г. ). Робот может «чувствовать» только радость или грусть. Возраст робота три с половиной года, рост чуть более метра. Поведение «i. Cub» мало чем отличается от поведения детей в этом возрасте, однако дети на данном периоде развития несколько смышленее. В основе «i. Cub» - открытое программное обеспечение для запоминания объектов, с которыми он знакомится зрительно или тактильно. Робот может сделать аппликацию из цветной бумаги, изготовить нагрудной значок и многое другое, способен улыбаться, шутить и может попросить прощения, если что-то сделал неправильно. 08. 2011 г.
Рождение искусственного интеллекта Дартмутский (США) семинар летом 1956 г. собрал специалистов по теории автоматов, нейронным сетям и исследованиям интеллекта. Джон Маккарти предложил назвать область исследований – «Искусственный интеллект» . Искусственному интеллекту 56 лет! «Проблема состоит в том, что пока мы не можем в целом определить, какие вычислительные процедуры мы хотим называть интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не понимаем остальные. Поэтому под интеллектом в пределах этой науки понимается только Джон Маккарти вычислительная составляющая Выдающийся американский информатик, способности достигать целей в мире» . изобретатель языка ЛИСП (1958), Artificial intelligence – англоязычный основоположник функционального термин программирования, лауреат Премии Тьюринга (1971) за огромный вклад в Слово intelligence означает «умение область исследований искусственного рассуждать разумно» , а вовсе не интеллекта «интеллект» , для которого есть английский аналог intellect.
Рождение искусственного интеллекта На семинаре Аллен Ньюэлл и Герберт Саймон продемонстрировали свою программу – «Логик-Теоретик» (англ. Logic Theorist). «Мы изобрели компьютерную программу, способную мыслить в нечисловых терминах и поэтому решили почтенную проблему о соотношении тела и духа» . Программа могла доказывать теоремы из математической логики Герберт Саймон Аллен Ньюэлл Выдающийся американский ученый в Американский ученый в области области социальных, политических и когнитивной психологии и экономических наук, Лауреат искусственного интеллекта Нобелевской премии «за новаторские исследования процесса принятия решений в экономических организациях, в фирмах» .
Первые успехи искусственного интеллекта Программа «Логик-Теоретик» . Программа работала на ЭВМ IBM 704 и доказала несколько теорем из книги Рассела (B. Russell ) и Уайтхеда (A. N. Whitehead) ”Principia Mathematica”. Одну теорему она доказала за 10 сек. , другую за 12 мин. , доказывая еще одну теорему через 23 мин. объявила, что не может справиться с задачей. На этом примере наглядно демонстрируются преимущества эвристических методов: если бы использовались не эвристические, а переборные методы, то для доказательства последней теоремы ЭВМ потребовалось бы несколько тысяч лет. Программа «Универсальный решатель задач» (А. Ньюэлл и Г. Саймон) (англ. General Problem Solver). GPS моделировала используемые человеком общие стратегии решения задач и могла применяться для решения шахматных и логических задач, доказательства теорем, грамматического разбора предложений, математического интегрирования, головоломок типа «Ханойская башня» и т. д. Процесс работы GPS воспроизводит методы решения задач, применяемые человеком: выдвигаются подцели, приближающие к решению, применяется эвристический метод (один, другой и т. д. ), пока не будет получено решение. Попытки прекращаются, если получить решение не удается. Например, решалась криптоарифметическая головоломка: DONALD + GERALD ROBERT D=5, найти сумму
Первые успехи искусственного интеллекта Обучающееся устройство - персептрон В 1957 г. Фрэнк Розенблатт (США), используя результаты Уорена Мак-Каллока и Уолтера Питтса (США, 1943, математическая модель нейрона человека) и Дональда Хебба (Канада, 1949, правило обучения для двух нейронов) изобрел первое кибернетическое обучающееся устройство – персептрон (от «восприятие» - лат. perceptio). «Если аксон клетки А находится достаточно близко, чтобы возбуждать клетку B, и неоднократно или постоянно принимает участие в ее возбуждении, то наблюдается процесс роста или метаболических изменений в одной или обеих клетках, ведущий к увеличению эффективности А, как одной из клеток возбуждающих В» . Фрэнк Розенблатт Известный американский учёный в области психологии, нейрофизиологии и искусственного интеллекта. В 1958 - 1960 годах в создал вычислительную систему «Марк-1» . Это был первый нейрокомпьютер способный обучаться в простейших задачах, он был построен на персептроне, который Розенблатт разработал тремя годами раньше.
Робот ШРЛДУ Программа Т. Винограда ШРДЛУ - диалоговая программа, предусматривающая разумное взаимодействие человека и машины. 1. Подними большой красный блок. OK. Система отвечает "ОК" выполняя команду. Чтобы взять красный блок, она должна освободить его, найдя место для зеленого блока и убрав его. 2. Возьми пирамиду. Я НЕ ПОНИМАЮ, КАКУЮ ПИРАМИДУ ВЫ ИМЕЕТЕ В ВИДУ. В сцене три пирамиды, поэтому программа не делает ничего. 3. Найди блок, который длиннее того, который ты держишь, и помести его в ящик. Система должна вычислить, что имеется в виду под словами “тот” и “его”, применить дедукцию, чтобы решить, какой блок она держит. Я ПОЛАЛАГАЮ, ЧТО ПОД “ЕГО” ВЫ ИМЕЕТЕ В ВИДУ БЛОК, КОТОРЫЙ ДЛИННЕЕ, ЧЕМ ТОТ, КОТОРЫЙ Я ДЕРЖУ. OK. Чтобы поднять более длинный синий блок, рука должна поставить на место красный. 4. Что (теперь) содержится в ящике? СИНЯЯ ПИРАМИДА И СИНИЙ БЛОК. 5. Сколько блоков находится не в ящике? Отрицания, такие, как “не” и “нет”, обрабатываются в зависимости от того, стоят ли они в предложениях или группах существительных (например, “нет ящиков”). ИХ ЧЕТЫРЕ…
Столкновение искусственного интеллекта с реальностью 1. Сложности с машинным переводом и обработкой естественного языка. Актуальность машинного перевода в связи с запуском в СССР первого искусственного спутника земли в 1957 г. Синтаксических преобразований текста недостаточно. Необходим семантический (смысловой) анализ. Для этого в памяти компьютера должна быть модель внешнего мира, аналогичная человеческой. Сложности иллюстрируются знаменитым обратным переводом фразы «The spirit is willing but the flesh is weak” (дух полон желаний, но плоть слаба), в результате которого получалось: « The vodka is good but the meat is rotten” (водка хороша, но мясо испорчено).
Столкновение искусственного интеллекта с реальностью Проблема машинного перевода Google сегодня пытается решить проблему машинного перевода. Однако, пока их программа делает, например, такие переводы: "Эта технология может сделать языковой барьер уйдем", - сказал Франц Оч, главный ученый Google, который ведет машинного перевода компании команде. "Это позволит никому общаться с кем-либо еще".
Столкновение искусственного интеллекта с реальностью 2. То, что программа находит решение в принципе, не означает, что эта программа содержит все механизмы, чтобы найти данное решение на практике. Ханойские башни Волк, коза и капуста 3. Выявились фундаментальны недостатки персептронов. В книге Минского и Пейперта «Персептроны» было доказано, что они не могут аппроксимировать функцию исключающего ИЛИ.
Системы, основанные на знаниях В 70 -х годах группа ученых Э. Фейгенбаума (Станфордский университет, США), начала искать средства преодоления недостатков GPS, работавшего в мире математических головоломок с небольшим множеством состояний и хорошо известными формальными правилами. Вместо поиска эффективных универсальных эвристик, они занялись сужением проблемной области и исследованием знаний специалиста. На этом пути и родились экспертные системы !!! Они умеют рассуждать с использованием профессиональных знаний. Экспертная система по эхографии
Системы, рассуждающие в нечеткой логике Самое впечатляющее у человеческого интеллекта – способность принимать правильные решения в условиях неполной и нечеткой информации. СИИ беспомощны решать задачи в условиях повседневной жизни: «Если в машине перед тобой сидит неопытный водитель - держись от нее подальше» или «Если сильно выросло давление, то немного поверни задвижку номер пять вправо» . Нужен новый аппарат для перевода неоднозначных жизненных утверждений в язык математических формул. В 1965 г. Л. Заде (США) предложил теорию нечетких множеств (статья "Fuzzy Sets"в журнале "Information and Control"), которая стала основой многозначной нечеткой логики и нечетких систем. Существует легенда о создании теории "нечетких множеств". Один раз Заде вел дискуссию с другом, чья из жен привлекательнее. Термин "привлекательная" - Лотфи Заде, неопределенный и они не пришли к американский ученый, удовлетворительному итогу. Это заставило Заде автор теории нечетких сформулировать концепцию, выражающую нечеткие множеств, отец нечеткой понятия типа "привлекательная" в числовой форме. логики
Системы, рассуждающие в нечеткой логике Нечеткое моделирование (англ. fuzzy sets and fuzzy logic ) – характеризуется записью причинно- следственных связей функционирования элементов системы в лингвистических терминах и имитацией в памяти компьютера рассуждений человека в многозначной логике. Двузначная логика: Утверждение: «сегодня хорошая погода» : ИСТИНА, ЛОЖЬ. Цитата из киносериала «Остаться в живых» : «Ты живешь в нереальном мире, где добро и зло далеки друг от друга!» . СИИ были ограничены возможностями детерминированной двузначной логики. Многозначная логика: Утверждение: «сегодня хорошая погода» : ИСТИНА, ПОЧТИ ПРАВДА, ОЧЕНЬ ПОХОЖЕ НА ПРАВДУ, ТОЛИ ПРАВДА-ТОЛИ НЕТ, НЕ ПОХОЖЕ НА ПРАВДУ, ПОЧТИ НЕПРАВДА, ЛОЖЬ. Нечеткое моделирование выполняется в нечетких системах.
Первое применение нечеткой логики Первые реализации нечетких моделей в промышленности относятся к середине 1970 x гг. Именно в этот период в Великобритании Эбрахим Мамдани (Ebrahim Mamdani) использовал нечеткую логику для управления парогенератором. Решение этой задачи обычными методами было сопряжено с целым рядом трудностей вычислительного характера. Японцы довели практическое воплощение нечеткой логики до совершенства: управление транспортом, интеллектуальные склады, безлюдные производства, изделия массового рынка - пылесосы, видеокамеры, микроволновые печи и т. п. Пионером в применении нечеткой логики в бытовых изделиях выступила фирма Matsuhita. В феврале 1991 года она анонсировала первую <интеллектуальную> стиральную машину, с системой управления на нечеткая логике и нейронной сети. Автоматически определяя нечеткие входы: объем и качество белья, уровень загрязненности, тип порошка и т. д. , стиральная машина безошибочно выбирала оптимальный режим стирки из 3800 возможных.
Гибриды в искусственном интеллекте Гибридный искусственный интеллект – характеризуется совместным использованием методов аналитического, статистического и эвристического моделирования. Например гибридные интеллектуальные системы. Идея построения гибридного искусственного интеллекта в виде многомодельной семиотической системы , впервые в СССР была высказана в рамках проекта "Ситуация" АН СССР Я. А. Гельфандбейном, А. В. Колесниковым и И. Д. Рудинским в 1981 году на 6 - м Всесоюзном симпозиуме по ситуационному управлению большими системами в Одессе. В 1985 году была создана и апробирована трехкомпонентная система для решения диспетчерских задач в морском рыбном порту. Гельфандбейн Я. А. , Колесников А. В, Рудинский И. Д. , д. т. н. профессор, д. п. н. , к. т. н. медицинская искусственный профессор, кибернетика интеллект искусственный интеллект
Предметная область искусственного интеллекта Чем занимаются специалисты по ИИ? 1. Игры и машинное творчество. 2. Обучение и самообучение. 3. Распознавание образов. 4. Интеллектуальные роботы, машинное зрение. 5. Машинный перевод и диалог на естественном языке. 6. Представление, извлечение знаний и базы знаний. 7. Автоматическое доказательство теорем. 8. Новые архитектуры компьютеров. 9. Автоматизация принятия решений.
Знания, опыт Инженерия знаний - привлечение принципов и инструментариев ИИ в решение трудных прикладных проблем, требующих знаний экспертов. 1) Знания состоят из описаний, соотношений и процедур, относящихся к представляющей интерес сфере. Знания = Факты + Гипотезы + Эвристики [124]. 2) Знания — это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области [98]. Теоретические знания (законы физики, химии, механики и др. выраженные аналитически) изучаются в вузах. Профессиональные знания приобретаются в течении двух лет решения практических задач. Они обычно представлены у человека в частично- формализованном (вербализованном виде), а зачастую интуитивны. Человеческий опыт — это чрезвычайно сложная смесь теоретических знаний, эвристик решения задач, примеров прошлых проблем и их решений, навыков восприятия и интерпретации.
Методы представления знаний 1. Продукционное представление. 2. Семантические сети. Онтологии. 3. Фреймы. Сценарии. 4. Логические представления.
Продукционное представление знаний Продукционные системы Поста Кратко подход Поста можно сформулировать следующим образом: "любая система, оперирующая символами, которую естественным образом можно было бы назвать формальной или логистической (или математической) системой, может быть реализована в виде одной из "канонических систем" Поста". Системы Поста имеют дело с правилами, "правилами вывода" получения новых последовательностей символов из старых. Правила вывода отличаются от правил функционирования автоматов или алгоритмов, так как они не предписания, а лишь устанавливают возможности. Символьная система - есть множество аксиом и множество правил вывода. Алфавит - конечное множество символов. Слово - любая последовательность символов. Множество аксиом есть некоторое заранее заданное множество конечных слов. Наделим S-систему следующими "способностями". Прежде всего, это просмотр слова и выделение в нем некоторых фиксированных последовательностей символов. Далее извлечение этих подпоследовательностей из слов, с сохранением при этом и оставшейся части. Наконец, перестройка слов вставкой фиксированных слов в различные места.
Понятие продукции Продукция - правило, точно устанавливающее, как расчленить слово и перестроить его части, возможно, удаляя при этом некоторые части и вставляя другие. Пример продукции. Определим символьную систему: алфавит - единственный символ "1"; аксиома - слово "11". Тогда продукция есть правило: "если какое-либо слово x есть теорема, то теорема и слово x 11". Удобно записывать это правило вывода в виде: x → x 11. Очевидно, что теоремы S - системы - только слова: "11", "1111", "111111" и т. д. То, что находится в продукции слева от знака " " называется левой частью, антецедентом, посылкой. То, что указано справа от знака " " называется правой частью, консеквентом, заключением. Каноническая система Поста - формальная система, состоящая из алфавита B , множества аксиом, как слов В и множества продукций. На первый взгляд в формальная система представляется разрешающей, а не предписывающей.
Алгоритм и продукционная система На рисунке показано отличие алгоритма, как детерминированной последовательности действий, и недетерминированной канонической системы Поста. Ромбики на рисунке обозначают условный оператор "если…то…иначе…" и продукцию. Принципиальное отличие состоит в том, что условные операторы, формирующие логическую структуру программы, априори, т. е. до исполнения программы ЭВМ, увязаны программистом в последовательность действий, решающую некоторую задачу. В канонической же системе продукции заблаговременно не связаны отношением следования. Они не объединены в последовательность, т. е. в некотором смысле - параллельны. Такой подход дает преимущества при внесении изменений во множество продукций, делает его открытым.
Правила «Если… то…» Истоки современной трактовки понятия "продукция", следует искать в результатах психологических исследований А. Ньюэлла и М. Саймона в начале 70 -х годов. Они показали, что люди, рассуждая, используют правила очень похожие на продукции, т. е. правила "условие действие". Иногда [Уинстон, 1980] их записывают в виде "ситуация-действие". Один из примеров современного понимания продукций: Буквой обозначено имя продукции, ее идентификатор. Область применения i продукции фиксирует Q - это то, что М. Минский назвал "островками" в безбрежном море наших знаний. Это, своего рода, эвристика, классифицирующая наши знания по "полочкам" и сокращающая время на поиск нужных знаний для продолжения доказательства. Далее идет ядро продукции A →B , ее основной элемент, допускающий различные интерпретации. Например, "если то d " или "если то b иначе d ". Логическое выражение, стоящее в левой части данной продукции, принимает значение ИСТИНА, если истинны все три факта . В этом случае становится возможным символьное преобразование, определяемое ядром или некоторое действие. Еще один элемент P - условие применимости ядра продукции. В случае истинности , ядро продукции активируется. В современных продукционных системах условие применимости и посылка ядра продукции записываются как одно выражение — символьный образец. Он играет роль условия применимости и преобразуемого символьного выражения. Постусловие N выполняется только после реализации ядра продукции и определяет, какие действия с фактами нужно для этого выполнить.
Примеры продукционных правил 1. Если состояние судна = на подходе и тип судна = большой морозильный траулер и состояние причала 1 = свободен то обработка на причале 1 = большой морозильный траулер и состояние судна = стоянка (8). 2. Если состояние судна = на подходе и тип судна = траулер и состояние причала 1 = свободен то обработка на причале 1 = траулер и состояние судна = стоянка (7). 3. Если состояние судна = на подходе и тип судна = траулер и состояние причала 1 = занят и состояние причала 2 = свободен то обработка на причале 2 = траулер и состояние судна = стоянка (6). 4. Если состояние судна = на подходе и тип судна = большой морозильный траулер и состояние причала 1 = занят и обработка на причале 1 = траулер и состояние причала 2 = свободен то перешвартовка = траулер (4). 5. Если состояние судна = на подходе и обработка на причале 1 = большой морозильный траулер или обработка на причале 1 = траулер то состояние причала 1 = занят (5). 6. Если перешвартовка = траулер то причал 1 = свободен (3). 7. Если перешвартовка= траулер и причал 1 = свободен то причал 2 = занят и обработка на причале 1 = нет (2). 8. Если перешвартовка = траулер и причал 1 = свободен то обработка на причале 2 = траулер и перешвартовка = нет (1).
Системы искусственного интеллекта, имитирующие рассуждения экспертов над решением трудноформализуемых задач Символизм в ИИ базируется на двух гипотезах ее основателей Ньюэлла и Саймона: "Символьные системы имеют необходимые и достаточные средства для осуществления интеллектуальных действий" и "Решения задач могут быть представлены в виде символьных структур. Символьные системы решают задачи с помощью поиска, т. е. генерируют потенциальные решения и постепенно модифицируют их, пока они не будут удовлетворять условиям решения". Экспертные системы предназначены для решения так называемых неформализованных задач. К неформализованным (англ. Ill - structured ) задачам относятся такие задачи, которые обладают одним или несколькими из ниже перечисленных признаков: 1) задачи не могут быть сформулированы на языке математики в численном виде; 2) цели не могут быть выражены в терминах точно определенной целевой функции; 3) не существует алгоритмического решения задач; 4) алгоритмическое решения существует, но его нельзя применять из-за ограниченности ресурсов (время, память). Неформализованные задачи представляют большой и очень важный класс задач. Многие специалисты считают, что эти задачи - наиболее массовый класс задач, решаемых на ЭВМ.
Системы искусственного интеллекта, имитирующие рассуждения экспертов над решением трудноформализуемых задач Экспертная система – это система ИИ, в которой в частично формализованном виде накапливаются знания экспертов-специалистов из соответствующей предметной области и имеются правила использования этих знаний для решения конкретных задач. ЭС применяются для решения трудноформализуемых задач в медицине, биологии, космонавтике, транспорте, бизнесе и др. Преимущества: повышенная доступность, уменьшенные издержки, уменьшенная опасность, постоянство, возможность получения экспертных знаний из многих источников, повышенная надежность, объяснения, быстрый отклик, лишены и эмоций и полный ответ при любых обстоятельствах, возможность применения в качестве интеллектуальной базы данных. Недостатки: «хрупкость» , необходимость извлечения знаний из экспертов, «нетренеруемы» , длительное время разработки, острая нехватка инженеров по знаниям.
Структура статической, продукционной экспертной системы
Цикл работы интерпретатора ЭС 1. Поиск очередной продукции в БЗ. 2. Сопоставление с образцом. 3. Разрешение конфликта. 4. Применение продукции для продолжения рассуждений
Цикл работы интерпретатора ЭС А. Ньюэлл и Г. Саймон приводят результаты моделирования посредством продукционной системы таких важных аспектов и навыков человека при решении задач, как фокусирование внимания, долгосрочная и краткосрочная память. Так, текущий фокус внимания был описан как текущее состояние системы S мира и правило, которое изменяет это состояние. Продукции соответствуют навыкам решения задач в долгосрочной памяти. Рабочая память продукционной системы соответствует краткосрочной памяти эксперта, или текущей области его внимания. Содержание рабочей памяти после завершения решения задачи не сохраняется. Рассуждения в ЭС организуются различными методами работы интерпретатора, использующими цикл шагов «распознавание — действие» . В начале рассуждений в рабочую память заносится исходное состояние для решения задачи. Эта информация сопоставляется с образцами всех правил, имеющихся в БЗ (либо со всеми образцами из некоторой части базы знаний, называемой «островком знаний» или подмножеством правил). В итоге сопоставления определяется конфликтное множество (англ. conflict set) правил. Эти правила готовы к применению (англ. fired rules), но только после разрешения конфликта. Правило, «победившее» в конфликте, активируется, т. е. выполняются действия из его правой части. При этом изменяется содержимое рабочей памяти.
Продукции и поиск. Графы И/ИЛИ В БЗ одно правило В БЗ два правила Для моделирования рассуждений эксперта методами экспертных систем используется представление базы профессиональных знаний эксперта графом И/ИЛИ — расширением понятия графа специфическими элементами (помимо вершин и ребер (дуг)) для отображения логических связок между фактами в левых частях правил).
Продукции и поиск. Графы И/ИЛИ В БЗ три правила Решающий подграф
Методы поиска решающего подграфа Рассуждения в обратном Рассуждения в направлении, прямом направлении, Рассуждения от цели Рассуждения от данных, Обратный вывод Прямой вывод
Рассуждения в прямом направлении Алгоритм работы интерпретатора: 1. Просмотр всех правил в базе знаний одно за другим. Если БЗ структурирована, то просмотр только в пределах островка знаний. 2. Сопоставление с образцом (определение истинности левой части продукционного правила). 3. Если левая часть истинна, то правило считается «возбужденным» и помещается в «План решения» (англ. Agenda). 4. Проверка состояния «Плана решения» . Если там одно правило, то к п. 6. Если там нет правил, то «конец работы» . Если там несколько правил, то к. п. 5. Разрешение конфликтов. Выбор одного правила. 6. Применение возбужденного правила для продолжения рассуждений. Переход к п. 1.
Рассуждения в обратном направлении Алгоритм работы интерпретатора: Цель 1. Цель (правая часть продукционного правила) полагается истинной. Она помещается в «План решения» . 2. Поиск в БЗ правил с истинной целью в правой части. Если нет правил, то «конец Подцель работы» . 3. Выдвигается гипотеза о истинности и левых частей этих правил и соответственно фактов в левых частях. 4. Запрос пользователю о подтверждении истинности фактов. После получения подтверждения все истинные факты размещаются в «Плане решения» .
Прямой вывод в оболочке ЭС КАРРА РС Рассуждения в прямом направлении реализуются функцией: Forward. Chain([NOASSERT], goal. Name, rule. Name or rule. List); Вызывает машину прямого вывода, которая работает до тех пор, пока не будет достигнута цель или Agenda и список правил не будут пустыми. [NOASSERT] (не обязательный) – освобождает от занесения в A genda пары “объект: слот”; goal. Name (не обязательный) – имя цели, критерий завершения прямого вывода. Если цель не определена, все имеющиеся в наличии правила оцениваются до тех пор, пока A genda и список правил не будут пустыми. Используйте NULL как goal. Name, если не хотите задавать цель; rule. Name или rule. List (не обязательный) – одиночное правило или группа правил, используемые машиной вывода. Если не специфицировано, то машина вывода использует все правила из БЗ. Возвращает TRUE , если goal. Name оценена как TRUE , т. е. цель достигнута. Возвращает FALSE, если goal. Name задана, но за время прямого вывода не получила значение TRUE или если цель не задана и нет правил. Возвращает ERROR, если цель оценена ERROR или какое-либо правило сгенерировало ERROR.
Обратный вывод в оболочке ЭС КАРРА РС Рассуждения в обратном направлении реализуются функцией: Backward. Chain (<[NOASK]>, goal. Name,
Выбор метода рассуждений для разработки приложения Узкое дерево с большим количеством уровней Приложение подходит для обратного вывода Широкое дерево с небольшим количеством уровней Приложение подходит для прямого вывода
Методы разрешения конфликтов правил Если на очередном цикле работы интерпретатора в «Плане решения» находятся несколько правил, то возникает ситуация - конфликт, когда любое их этих правил может продолжить рассуждения. Возникает дилемма выбора того правила, которое в данной ситуации будет активировано и продвинет логический вывод. Решение этой задачи возлагается на систему управления планом решения. Возможны два пути решения этой задачи: централизованный и децентрализованный. В первом случаи решение об актуализации принимается специальной системой управления, а во втором - определяется складывающейся в этот момент ситуацией.
Централизованный подход к разрешению конфликтов KAPPA 1. Выборочная Во время прямого логического вывода активированные стратегия правила добавляются в список в соответствии с их (selective приоритетами, установленными разработчиком. После strategy) применения правила список очищается 2. Стратегия Обнаруживает все возможные правила для заново "Сначала помещенной в agenda пары объект-слот. Она отличается от 1 вглубь" стратегии тем, что не очищает список правил agenda после (depthfirst) каждого успешного применения правила. Активированное правило в соответствии с приоритетом добавляется в начало списка правил. Правило из начала списка применяется, что добавляет новое символьное выражение в agenda. 3. Стратегия Также исчерпывающая стратегия. Все происходит "Сначала ширь" аналогично стратегии 2. Отличие - правило добавляется в (breadthfirst) конец списка. 4. Стратегия "Сначала Похожа на 2. Отличие - в соответствии со своим лучшая" приоритетом правило перемешивается с другими правилами (bestfirst) из agenda.
Разрешение конфликтов в КАРРА РС Set. Forward. Chain. Mode(rule. Chain. Mode, agenda. Mode); Устанавливает метод разрешения конфликта в списке правил и agenda (во время прямого вывода). rule. Chain. Mode – метод разрешения конфликта правил: SELECTIVE (по умолчанию) следует единственному пути рассуждений. DEPTHFIRST следует по всем путям, по одному на каждом цикле. BREADTHFIRST следует по всем путям параллельно. BESTFIRST похожа на DEPTHFIRST, но используются приоритеты правил. agenda. Mode (не обязательный) – метод разрешения конфликта знаков (пар «объект -слот» в agenda: IGNORE - пропускает пару «объект-слот» , если там есть более «новая» пара «объект-слот» . NOIGNORE- обрабатывает каждую пару «объект-слот» в независимости есть или нет повторение этой пары в более позднее время.
Децентрализованный подход к разрешению конфликтов Децентрализованное управление применено в инструментальном средстве Neuron Data Elements Environment. Intelligent Rules Element V. 4. 0 (Neuron Data Inc. , США). Конфликтные продукции в agenda выбираются в зависимости от ситуации в самой agenda. Реакция системы на ситуацию определяется приоритетами альтернативных возможностей продолжить вывод. В соответствии с такой системой, первый приоритет имеет вывод в обратном направлении. Если такая возможность есть, то она немедленно используется и, естественно, выполняться будет то правило, которое такую возможность предоставляет. Второй приоритет имеет ситуация, когда сам разработчик советует ЭС занести некоторое правило в agenda. Третий приоритет имеет вывод в прямом направлении, а четвертый, одинаковый для всех приоритет, имеет группа ситуаций вывода: по семантическим воротам, по действиям, по указанию пользователя и по контексту.
Системы искусственного интеллекта с рассуждениями на основе профессионального опыта В силу свойств человеческого мозга, рассуждения эксперта, включая управленческие решения) — типовые и базируются на осознаваемых или неосознаваемых моделях. Источником стереотипов могут служить внутренние иили внешние носители стереотипов, используемые для поддержки принятия решений. « Библиотека» стереотипов — это, множество сопоставленных другу пар «ситуация-решение» , это сложно организованное хранилище информации. Конечно, индивид способен принимать участие в организации библиотеки стереотипов лишь в той ее части, где стереотипы осознаны им. Осознанный и неосознанный эвристический поиск соответствующих наилучшим образом другу ситуаций и решений и их использование, по сути, и представляет собой рассуждения, приводящие к получению решений задачи. Это идеальная технократическая модель эксперта на основе опыта решения задач. Подобная схема стереотипных рассуждений позволяет эксперту напрямую использовать исторический опыт, а разработчику отказаться от всестороннего анализа знаний о данной области и трудоемкого и во многом противоречивого процесса извлечения знаний из экспертов. Появляется возможность сокращения рассуждений. Если известен аналогичный случай, новые задачи решаются гораздо быстрее, чем рассуждениями на основе профессиональных знаний или теоретических моделей.
Предметная область рассуждений на основе опыта Рассуждения на основе прецедентов характерны для таких предметных областей как: история, юриспруденция, программирование для ЭВМ. Архитекторы используют свои знания об эстетической привлекательности и полезности существующих сооружений для разработки новых зданий, которые будут восприняты современниками как красивые и удобные. Еще одна область рассуждений на основе опыта - проектирование судов, где успешно выполненный проект, может использоваться в новой ситуации, когда верфи заказывается новое судно. Диагностика, где на ум, прежде всего, приходят ошибки прошлого. Мастер бурения , имеющий опыт двух ситуаций-взрывов, быстро вспоминает одну или обе ситуации, когда совокупность критических параметров установки становится похожей на ситуации-взрывы. Заведующая отделом кредитования в банке, решающая сложную задачу выделения клиенту кредита, вспоминает предыдущий случай, который вовлек ее финансовую организацию в похожие хлопоты, как и текущий случай, и рекомендует отказаться от выдачи ссуды.
Системы искусственного интеллекта с рассуждениями на основе профессионального опыта Рассуждения на основе опыта — мощный и часто используемый путь решения задач людьми. Различные исследователи приводили эмпирические доказательства о доминирующей роли специфических, имевших место в прошлом ситуаций — опыта (названного прецедентами, кейсами) в решении задач человеком 1) Р. Шенк (R. Shank) разработал теорию обучения и напоминания, основанную на сохранении в динамике жизненного опыта путем развития структуры памяти. 2) Дж. Андерсон (J. Anderson) показал, что люди применяют прошлый опыт как модели, когда обучаются решать задачи, особенно в молодости. 3) Другие исследования] показывают, что использование прошлого опыта — доминирующий метод решения задач у экспертов.
Системы искусственного интеллекта с рассуждениями на основе профессионального опыта Для моделирования рассуждений эксперта и обучения на основе опыта используется механизм, названный рассуждениями на основе прецедентов (англ. case - based reasoning — CBR ). Программные системы, в которых такой механизм реализован, называются CBR-системами. CBR — это парадигма решения задач, которая фундаментально отличается от других подходов искусственного интеллекта к моделированию рассуждений экспертов. Итак, если задать себе вопрос: «Что такое рассуждения на основе прецедентов в прецедент-системах? » , то можно ответить так — это решение задачи с помощью эвристического поиска запомненных ранее похожих ситуаций и посредством повторного использования информации и знаний об этих ситуациях.
Жизненный цикл CBR-систем Задача Новый прецедент Поиск Новый Выученный прецедент Прошлые Найденный прецеденты прецедент Сохранение Общие Адаптация знания Проверенный прецедент Решенный прецедент Пересмотр Оцененное Рекомендуемое решение
Жизненный цикл CBR-систем Возникающая перед экспертом задача, решается поиском одного или более прецедентов из предыдущего опыта, адаптацией прецедента тем или иным способом, использованием решения, принятого в прошлом для выработки настоящего решения и сохранением нового опыта посредством его включения в существующую базу прецедентов. В итоге, начальное описание (постановка) задачи определяет новый прецедент (кейс). Этот новый прецедент используется для поиска прошлых прецедентов в базе прецедентов. Найденный кейс комбинируется с новым случаем на этапе адаптации в «разрешенный кейс» (англ. solved case), т. е. в случай, для которого найдено и рекомендуется некоторое решение. На этапе пересмотра рекомендуемое решение проверяется на успех, либо использованием в объекте управления, либо оно может быть оценено экспертом-учителем и исправлено, как ошибочное. Во время этапа сохранения полезный опыт запоминается для будущего использования и база прецедентов обновляется либо изученным прецедентом (англ. learned case), т. е. путем его запоминания в базе прецедентов, либо путем изменения некоторых, уже существующих в базе прецедентов.
Роль и место знаний о предметной области в CBR-системах Знания о предметной области играют определенную роль в жизненном цикле. Они поддерживают рассуждения. Эта поддержка может быть разной, от очень сильной до относительно слабой в зависимости от применяемого метода рассуждений. Под знаниями понимаются предметно-ориентированные знания конкретной предметной области, в противоположность специфическим проблемно- ориентированным знаниям, включенным непосредственно в прецеденты. Например, в качестве предметно-ориентированных знаний могут выступать знания по биологии растений, а в качестве проблемно-ориентированных — знания об особенностях растениеводства на конкретных участках, конкретного с/х поля. Эти знания могут быть записаны, например, с помощью правил «Если. . . то. . . » . Для моделирования рассуждения на основе опыта требуется использование широкого спектра методов: представления знаний, поиска, адаптации, пересмотра и сохранения.
Системы искусственного интеллекта с рассуждениями на основе теоретической модели Экспертные системы могут давать сбои в том случае, если задача не соответствует ни одному из имеющихся в БЗ правил, или правило ошибочно применяется в неподходящей ситуации. Человек-эксперт не испытывает подобных проблем, потому, что обладает более глубоким теоретическим пониманием предметной области. Теоретические знания позволяют ему осмысленно применять эвристические правида или прибегать в новых ситуациях к рассуждениям на основе базовых принципов. Несовершенство рассуждений в ЭС позволяет преодолеть специальный механаизм рассуждений, который базируется на модели поведения реальной системы. Такие модели чаще всего – аналитические, математические. Такие системы называются – СИИ с рассуждениями на основе теоретической модели.
Структура системы искусственного интеллекта с рассуждениями на основе теоретической модели Реальная система Наблюдаемое поведение Да Есть различия в поведении? Ожидаемое поведение Нет Модель Экспертная поведения система системы Лицо, принимающее решения
Системы искусственного интеллекта с рассуждениями на основе теоретической модели Центральный элемент структуры – не взаимодействующие «экспертная система» и «модель поведения системы» . Неисправность в реальной системе выражается в различии ожидаемого и наблюдаемого поведения. . При выявлении неисправности модель предлагает ЛПР множество прогнозируемых вариантов поведения, экспертная система помогает идентифицировать неисправность. Теоретические знаний о реальной системе представляются в виде модели поведения системы. Они могут быть получены аналитическими и статистическими методами. Подобные систем более надежны, чем экспертные системы.
Система компьютерного моделирования решения сложных задач коммивояжера методом спора моделей Система СКМ моделирует процесс решения сложной задачи, имитируя несколько линий рассуждений экспертов. Таким образом, моделируется принятие решения с привлечением специалистов из различных областей знаний, обладающих разными взглядами на поставленную задачу и способы её решения. В системе СКМ моделируются три линии рассуждения экспертов: 1)рассуждения на основе продукционных правил, 2)рассуждения на основе фактора уверенности, 3)рассуждения на основе опыта. Каждому эксперту в системе соответствует своя модель рассуждения, свой метод решения задачи.
Система компьютерного моделирования решения сложных задач коммивояжера методом спора моделей Эксперименты проводились на следующей сложной задаче коммивояжера: заданы n городов, которые должен посетить водитель, развозящий товары в торговые точки, расположенные в этих городах. Заданы расстояния между городами, стоимость перемещения между городами и время перемещения между городами. Водитель должен выехать из первого города, посетить по разу все города (если это возможно) и вернуться в исходный город. В каком порядке водителю нужно объезжать города, чтобы затраты на перемещения между городами не превысили командировочных, время прохождения маршрута было не больше времени, отведённого водителю на выполнение задания и расстояние пройденное водителем было бы минимальным? В отличие от классической ЗК в СЗК нет одного критерия выгодности, по которому определяется оптимальный маршрут.
Результаты экспериментов Нам удалось организовать спор моделей, так как решение задачи разными методами приводило к разным результатам. Однако оба результата были адекватны и позволяли говорить о рациональном маршруте. Дополнительными характеристиками в пользу выбора той или иной модели рассуждения может служить информация об уверенности эксперта в принятом решении (решение с помощью продукционных правил), информация о степени подобия задачи выбранному прецеденту (решение на основе опыта). Полученные маршруты по 2 -м характеристикам из 3 -х превосходят маршруты, полученные при решении задачи на основе одного критерия оптимальности, высокое значение коэффициентов уверенности и подобия свидетельствуют о качестве полученного решения.
Скачать презентацию Балтийский Федеральный университет им. И. Канта Институт
ЛекцииСИИ-магистры.ppt
- Количество слайдов: 56