Интеллектуальные информационные системы лекция 2 Фридланд А Я

Интеллектуальные информационные системы (лекция 2) Фридланд А. Я. Al. fridland@gmail. com www. sprint-inform. ru

Перцептрон • Перцептро н, или персептрон (англ. perceptron от лат. perceptio — восприятие) — математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году и реализованная в виде электронной машины «Марк-1» [nb 2] в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» — первым в мире нейрокомпьютером. Несмотря на свою простоту, перцептрон способен обучаться и решать довольно сложные задачи. Основная математическая задача, с которой он справляется, — это линейное разделение любых нелинейных множеств, так называемое обеспечение линейной сепарабельности.

Восприятие • (перцепция, от лат. perceptio) — познавательный процесс, формирующий субъективную картину мира. • Это психический процесс, заключающийся в отражении предмета или явления в целом при его непосредственном воздействии на рецепторные поверхности органов чувств. • Восприятие — одна из биологических психических функций, определяющих сложный процесс приёма и преобразования информации, получаемой при помощи органов чувств, формирующих субъективный целостный образ объекта, воздействующего на анализаторы через совокупность ощущений, инициируемых данным объектом. • Как форма чувственного отражения предмета, восприятие включает обнаружение объекта как целого, различение отдельных признаков в объекте, выделение в нём информативного содержания, адекватного цели действия, формирование чувственного образа.

• ИНФОРМАЦИЯ, -и, ж. 1. Сведения об окружающем мире и протекающих в нем процессах, воспринимаемые человеком или специальным устройством (спец) • Словарь Ожегова

Интеллектуальные информационные системы http: //www. twirpx. com/file/101718/? rand=6645819 • Автор неизвестен но литература интересна • 1. Интеллектуальные информационные системы в экономике. Учебное пособие. –М: Экзамен. – 2003 г. • 2. Гаскаров Д. В. Интеллектуальные информационные системы. Учебное пособие. –М: Высшая школа. – 2003 г. • 3. Рыбина. Теория и технология интегрированных экспертных систем. –М: Научтехлитиздат. – 2008 г. • 4. Андрейчиков А. В. , Андрейчикова О. Н. Интеллектуальные информационные системы. –М: Финансы и статистика. – 2004 г.

• 5. Джораттано Дж. , Гайли Г. Экспертные системы: принципы разработки и программирования. –М: Вильямс. – 2007 г. • 6. Люгер Дж. Искусственные интеллектуальные стратегии и методы решения сложных проблем. –М: Вильямс. – 2003 г. • 7. Рассел, Норвиг. Искусственны интеллект: современный подход. –М: Вильямс. – 2006 г. • 8. Тарасов. От многоагентных систем к интеллектуальным организациям – 2002 г. • 9. Смолин Д. В. Введение в искусственный интеллект. – 2004 г. • 10. Степанюк. Локальная организация интеллектуальных систем. Модели и приложения. • 11. Братко. Алгоритмы искусственного интеллекта.

13. Частиков, Гаврилова, Белов. Разработка экспертных систем. 14. Девятков. Системы искусственного интеллекта. 15. Круглов, Борисов. Искусственные нейронные сети. 16. Хайкин. Нейронные сети. Полный курс. – 2004 г. 17. Фролов. Интеллектуальные системы и управленческие решения. 18. Фоминых, Кисель, Попов, Шапот. Статические и динамические экспертные системы. • 19. Джексон. Введение в экспертные системы. • 20. Уотермен. Руководство по экспертным системам. • 21. Уотермен. Построение экспертных систем. • • •

1. Основные определения • Данные – это информация (? ? ? ), полученная в результате наблюдения или измерения отдельных свойств или атрибутов, характеризующих объекты, процессы и явления в предметной области. • Знания - это связи и закономерности предметной области (принципы, модели, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в данной области. • Знания – это хорошо структурированные данные, данные о данных (метаданные).

• Знания делятся на глубинные и поверхностные (? ? ? ). • Поверхностные знания – знания о видимых взаимосвязях между отдельными событиями или фактами предметной области. • Глубинные знания – это абстракции, аналогии, схемы, которые отражают структуру и природу процессов, протекающих в предметной области. • Такие знания объясняют явления и могут использоваться для прогнозирования поведения объектов (например, понимание принципов работы ОС). • Современные интеллектуальные системы в основном работают с поверхностными знаниями. Это связано с тем что пока не существует универсальных методик, которые позволяли бы выявлять глубинные структуры знаний и работать с ними. • Знания подразделяются на процедурные и декларативные.

• Сначала появились процедурные знания – знания в алгоритмах, они управляли данными. Для их изменения требовалось изменять текст программы (? ? ? ). Однако с развитием информатики и программирования все большая часть знаний сосредотачивалась на структурах данных (таблицы, списки). • Т. е. увеличилась роль декларативного знания. • Знания в настоящее время приобрели чисто декларативную форму. Т. е. знанием считается предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных не специалистам.

Википедия • Зна ние — в теории искусственного интеллекта и экспертных систем — совокупность информации и правил вывода (у индивидуума, общества или системы ИИ) о мире, свойствах объектов, закономерностях процессов и явлений, а также правилах использования их для принятия решений. • Главное отличие знаний от данных состоит в их структурности (? ? ? ) и активности (? ? ? ), появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений. • 3 на ния фиксируются в образах и знаках естественных и искусственных языков (? ? ? ). • Знание противоположно незнанию (отсутствию проверенной информации о чём-либо).

Процедурные знания • Процедурные знания - знания, хранящиеся в памяти интеллектуальной системы в виде описаний процедур, с помощью которых их можно получить. • Обычно процедурные знания используются для представления информации о способах решения задач в проблемной области, а также различные инструкции, методики и т. п. По форме представления процедурные знания противопоставляются декларативным знаниям. • По-английски: Procedural knowledge • Алгоритм • Автоформализация знаний, Громов

Декларативные знания • Декларативные знания - знания, которые записаны в памяти интеллектуальной системы так, что они непосредственно доступны для использования после обращения к соответствующему полю памяти. • Обычно декларативных знаний используются для представления информация о свойствах и фактах предметной области. По форме представления декларативные знания противопоставляются процедурным знаниям. • По-английски: Declarative knowledge • ДЕКЛАРАЦИЯ, -и; ж. [от лат. declaratio - заявление, объявление]

Пролог • Язык программирования высокого уровня декларативного типа, основанный на использовании логических построений для написания программ. • Если в традиционных языках программирования (Фортран, Паскаль и пр. ) программа пытается ответить на вопрос: как решить задачу, то программа, написанная на Прологе, отвечает на вопрос: что вы хотите получить от решения данной задачи. • Язык считается основным для решения задач искусственного интеллекта. • Первая реализация языка была осуществлена А. Калмероэ (A. Colmerauer) и Ф. Росселем (P. Roussel) (Франция) в 1972 г. • Фирма Borland разработала хорошую реализация языка для персональных компьютеров - Turbo-Prolog. • Широкого распространения язык пока не получил. • От англ. - PROgramming in LOGic.

Нечёткая логика • Нечёткая логика и теория нечётких множеств — раздел математики, являющийся обобщением классической логики и теории множеств. Понятие нечёткой логики было впервые введено профессором Лотфи Заде в 1965 году. В его статье понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0. . . 1], а не только 0 или 1. Такие множества были названы нечёткими. Также автором были предложены различные логические операции над нечёткими множествами и предложено понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.

Экспертная система • (expert system) — компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. • Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970 -х годах, а в 1980 -х получили коммерческое подкрепление. • Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины» , позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.

Экспертная система • В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

• Похожие действия выполняет такой программный инструмент как Мастер (англ. Wizard). Мастера применяются как в системных программах так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС — отсутствие базы знаний — все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.

Структура ЭС интеллектуальных систем • • • Интерфейс пользователя Пользователь Интеллектуальный редактор базы знаний Эксперт Инженер по знаниям Рабочая (оперативная) память База знаний Решатель (механизм вывода) Подсистема объяснений

• База знаний ЭС создается при помощи трех групп людей: • эксперты той проблемной области, к которой относятся задачи, решаемые ЭС; • инженеры по знаниям, являющиеся специалистами по разработке ИИС; • программисты, осуществляющие реализацию ЭС.

Режимы функционирования • ЭС может функционировать в 2 -х режимах. • Режим ввода знаний — в этом режиме эксперт с помощью инженера по знаниям посредством редактора базы знаний вводит известные ему сведения о предметной области в базу знаний ЭС. • Режим консультации — пользователь ведет диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. • Например, на основе сведений о физическом состоянии больного ЭС ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.

Классификация ЭС по решаемой задаче • • • Интерпретация данных Диагностирование Мониторинг Проектирование Прогнозирование Сводное Планирование Обучение Управление Ремонт Отладка

Классификация ЭС по связи с реальным временем • Статические ЭС - это ЭС, решающие задачи в условиях не изменяющихся во времени исходных данных и знаний. • Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени. • Динамические ЭС - это ЭС, решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

Этапы разработки ЭС • Этап идентификации проблем — определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей. • Этап извлечения знаний — проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. • Этап структурирования знаний — выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

Этапы разработки ЭС • Этап формализации — осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач. • Реализация ЭС — создается один или несколько прототипов ЭС, решающие требуемые задачи. • Этап тестирования — производится оценка выбранного способа представления знаний в ЭС в целом.

С. Л. Сотник. Экспертные системы • С ЭС связаны некоторые распространенные заблуждения. • Заблуждение первое: ЭС будут делать не более (а скорее даже менее) того, чем может эксперт, создавший данную систему. Для опровержения данного постулата можно построить самообучающуюся ЭС в области, в которой вообще нет экспертов, либо объединить в одной ЭС знания нескольких экспертов, и получить в результате систему, которая может то, чего ни один из ее создателей не может. • Заблуждение второе: ЭС никогда не заменит человекаэксперта. Уже заменяет, иначе зачем бы их создавали?

• Искусственный интеллект • это научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными. • Искусственный интеллект • свойство интеллектуальных систем выполнять функции, например творческие, которые традиционно считаются прерогативой человека.

• Замена человека-специалиста на системы искусственного интеллекта, в частности на экспертные системы, разумеется, там, где это допустимо, позволяет существенно ускорить и удешевить процесс производства. • Системы искусственного интеллекта всегда объективны и результаты их работы не зависят от моментного настроения и ряда других субъективных факторов, которые присущи человеку. Но, несмотря на все вышесказанное, не стоит питать сомнительные иллюзии и надеяться, что в ближайшем будущем труд человека удастся заменить работой искусственного интеллекта. Опыт показывает, что на сегодняшний день системы искусственного интеллекта достигают наилучших результатов, функционируя совместно с человеком. Ведь именно человек, в отличие от искусственного интеллекта, умеет мыслить нестандартно и творчески, что позволяло ему развиваться и идти вперед на протяжении всей его эпохи.

Представление знаний • — вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в исследованиях искусственного интеллекта. • В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. • В информатике — с подбором представления конкретных и обобщённых знаний, сведений и фактов для накопления и обработки информации в ЭВМ. • Главная задача в искусственном интеллекте (ИИ) — научиться хранить знания таким образом, чтобы программы могли осмысленно обрабатывать их и достигнуть тем подобия человеческого интеллекта.

• Под термином «представление знаний» чаще всего подразумеваются способы представления знаний, ориентированные на автоматическую обработку современными компьютерами, и, в частности, представления, состоящие из явных объектов ('класс всех слонов', 'Клайд — индивид') и из суждений или утверждений о них ('Клайд — слон', 'все слоны серые'). • Представление знаний в подобной явной форме позволяет компьютерам делать дедуктивные выводы из ранее сохранённого знания ('Клайд — серый').

Представление знаний в ИИ • Исследователи ИИ используют теории представления знаний из когнитологии. • Такие методы, как фреймы, правила вывода и семантические сети пришли в ИИ из теорий обработки информации человеком. • Поскольку знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание знания из знаний.

• Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ: • Как люди представляют знания? • Какова природа знаний и как мы их представляем? • Должна ли схема представления связываться с частной областью знаний, или она должна быть общецелевой? • Насколько выразительна данная схема представления? • Должна ли быть схема декларативной или процедурной?

• Было очень немного скрупулёзного, нисходящего обсуждения вопросов представления знаний, и исследования в данной области так по сути и не продвинулись за последние годы. (!!!!) • Есть хорошо известные проблемы, такие как «spreading activation» (задача навигации в сети узлов), категоризация (это связано с выборочным наследованием; например, вездеход можно считать специализацией (особым случаем) автомобиля, но он наследует только некоторые характеристики) и классификация. • Например, помидор можно считать как фруктом, так и овощем.

• Решение сложных задач часто может быть упрощено правильным выбором метода представления знаний. • Опредёленный метод может сделать какую-либо область знаний легко представимой. • Например, диагностическая экспертная система MYCIN использовала схему представления знаний, основанную на правилах. Неправильный выбор метода представления затрудняет обработку. • В качестве аналогии можно взять вычисления в индоарабской или римской записи. Деление в столбик проще в первом случае и сложнее во втором. Аналогично, не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми.

Решение задач • — процесс, являющийся составной частью мышления; выполнение действий или мыслительных операций, направленное на достижение цели, заданной в рамках проблемной ситуации. • С точки зрения когнитивного подхода процесс решения задач является наиболее сложной из всех функций интеллекта и определяется как когнитивный процесс более высокого порядка, требующий согласования и управления более элементарными или фундаментальными навыками.

Стадии решения задачи • Процесс решения задачи состоит из таких основных подпроцессов, как: • Обнаружение проблемной ситуации; • Постановка задачи: выявление и более или менее строгое определение исходного (данного) — его элементов и отношений между ними — и требуемого (цели); • Нахождение решения задачи.

Когнитивная психология • — раздел психологии, изучающий когнитивные, то есть познавательные процессы человеческого сознания. • Исследования в этой области обычно связаны с вопросами памяти, внимания, чувств, представления информации, логического мышления, воображения, способности к принятию решений. • Когнитивные способности человека, в информационных единицах, не очень велики и по экспериментальным данным В. М. Лившица составляют 120 бит / чел. Час. • Самообучение это лишь одна из многих частей когнитивных способностей человека. Когнитивный процесс подчиняется гносеологическому принципу А. Н. Колмогорова и имеет волновую форму в нелинейных средах.

Понятия и вопросы эпистемологии • Гносеоло гия (от др. -греч. γνῶσις — «знание» и λόγος — «учение, наука» ); эпистемоло гия (от др. -греч. ἐπιστήμη — «умение, знание» , иλόγος — «учение, наука» ) — теория познания, раздел философии. • Понятия: – знание – познание – сознание – чувство – разум – рассудок – истина

• Основной вопрос — познаваем ли мир в принципе? • Ответы на этот вопрос у разных философских течений выглядят по-разному: – гносеологический оптимизм — мир познаваем, границ познания нет, необходимы лишь время и средства. – агностицизм — мир непознаваем в принципе, человек не познаёт мир, а строит виртуальный мир на основе чувственного восприятия. – скептицизм — мы познаём феноменальный мир, познаваемость подлинного мира проблематична. – солипсизм — единственно-несомненно реально существую Я, все остальное — плод моей фантазии, кроме меня мне познавать нечего.

MYCIN • была ранней экспертной системой разработанной за 5 или 6 лет в начале 1970 х годов в Стендфордском университете. Она была написана на Лиспе как докторская диссертация Edward Shortliffe под руководством Bruce Buchanan, Stanley N. Cohen и других. В этой же лаборатории была ранее создана экспертная система Dendral, но на этот раз внимание было акцентировано на использовании решающих правил с элементами неопределенности. MYCIN был спроектирован для диагностирования бактерий, вызывающих тяжелые инфекции, такие как бактериемия и менингит, а также для рекомендации необходимого количества антибиотиков в зависимости от массы тела пациента. Название системы происходит от суффикса «мицин» , часто встречающегося в названиях антибиотиков. Также Mycin использовалась для диагностики заболеваний свертываемости крови.

• MYCIN оперировала с помощью довольно простой машины вывода, и базы знаний из ~600 правил. • После запуска, программа задавала пользователю (врачу) длинный ряд простых «да/нет» или текстовых вопросов. • В результате, система предоставляла список подозреваемых бактерий, отсортированный по вероятности, указывала доверительный интервал для вероятностей диагнозов и их обоснование (то есть MYCIN предоставляла список вопросов и правил, которые привели её к именно такому ранжированию диагнозов), а также рекомендовала курс лечения.

• Несмотря на успех MYCIN, она вызвала дебаты по поводу правомерности её машины вывода. • Исследования, проведенные разработчиками, показали, что эффективность системы минимально зависит от конкретных числовых особенностей реализаций правил вывода. • Они допустили, что эффективность в значительно большей степени зависит от способа представления знаний и способа вывода.

• Исследования, проведенные в Stanford Medical School, обнаружили, что MYCIN предлагает приемлемую терапию примерно в 69 % случаев, что лучше, чем у экспертов по инфекционным болезням, которых оценивали по тем же критериям. • Это исследование часто цитируют, чтобы продемонстрировать возможную степень несогласия между решениями врачей, даже если они эксперты, когда нет «золотого стандарта» для правильного лечения

• Фактически, MYCIN никогда не использовалась на практике. И не в силу низкой её эффективности. • Как уже упоминалось, в тестах она превосходила профессоров Stanford medical school. Некоторые исследователи поднимали этические и правовые вопросы, связанные с использованием компьютеров в медицине — если программа дает неправильный прогноз или предлагает неправильное лечение, кто должен отвечать за это? Тем не менее, наибольшей проблемой и настоящей причиной, почему MYCIN не используется в повседневной практике, было состояние технологий системной интеграции, особенно во времена её создания. MYCIN была автономной системой, требующей от пользователя набора всей необходимой информации.

База знаний • (англ. knowledge base) в информатике и исследованиях искусственного интеллекта — это особого рода база данных, разработанная для оперирования знаниями (метаданными). • База знаний содержит структурированные данные, покрывающие некоторую область знаний, для использования кибернетическим устройством (или человеком) с конкретной целью. • Современные базы знаний работают совместно с системами поиска информации, имеют классификационную структуру и формат представления знаний.

• Машина вывода — программа, которая выполняет логический вывод из предварительно построенной базы фактов и правил в соответствии с законами формальной логики. • Факт в данном случае — утверждение, являющееся постоянно истинным, например: «Адам является человеком» . • Правило в данном случае — параметризованное утверждение, состоящее из двух частей: условия и результата, например: «Если X является потомком человека, то X является человеком» . В данном примере правило определяет условие «X является потомком человека» . Если для значения параметра X это условие истинно, то правило превращается в факт «X является человеком» .

Правило Вывода • — правило, определяющее переход от посылок к следствиям. • П. в. указывает, каким образом высказывания, истинность которых известна, могут быть видоизменены, чтобы получить новые истинные высказывания. • Напр. , правило отделения устанавливает, что если истинны два высказывания, одно из которых имеет форму импликации, а другое является основанием этой импликации, то и высказывание, являющееся следствием импликации, истинно. Это правило, называемое также правилом модус поненс, позволяет «отделить» следствие истинной импликации, при условии, что ее основание истинно. • Скажем, от посылок «Металл - электропроводен» и «Цирконий — металл» , то можно перейти к заключению «Цирконий электропроводен» .

Семантическая сеть — информационная модель предметной области, имеющая вид ориентированного графа, вершины которого соответствуют объектам предметной области, а дуги (рёбра) задают отношения между ними. Объектами могут быть понятия, события, свойства, процессы. Таким образом, семантическая сеть является одним из способов представления знаний.

Семантическая сеть • В названии соединены термины из двух наук: семантика в языкознании изучает смысл единиц языка, а сеть в математике представляет собой разновидность графа — набора вершин, соединённых дугами (рёбрами). • В семантической сети роль вершин выполняют понятия базы знаний, а дуги (причем направленные) задают отношения между ними. • Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений.

Семантическая сеть, упорядоченная отношениями «целое — часть» , «род — вид»

Структура семантической сети • Математика позволяет описать большинство явлений в окружающем мире в виде логических высказываний. • Семантические сети возникли как попытка визуализации математических формул. • Основным представлением для семантической сети является граф. • Однако не стоит забывать, что за графическим изображением непременно стоит строгая математическая запись, и что обе эти формы являются не конкурирующими, а взаимодополняющими.

Графическое представление • Основной формой представления семантической сети является граф. • Понятия семантической сети записываются в овалах или прямоугольниках и соединяются стрелками с подписями — дугами. • Это наиболее удобно воспринимаемая человеком форма. • Её недостатки проявляются, когда мы начинаем строить более сложные сети или пытаемся учесть особенности естественного языка. • Схемы семантических сетей, на которых указаны направления навигационных отношений, называют картами знаний, а их совокупность, позволяющая охватить большие участки семантической сети, атласом знания.

Математическая и Лингвистическая записи • В математике граф представляется множеством вершин V и множеством отношений между ними E. • Используя аппарат математической логики, приходим к выводу, что каждая вершина соответствует элементу предметного множества, а дуга — предикату. • В лингвистике отношения фиксируются в словарях и в тезаурусах. В словарях в определениях через род и видовое отличие родовое понятие занимает определённое место. • В тезаурусах в статье каждого термина могут быть указаны все возможные его связи с другими родственными по теме терминами. • От таких тезаурусов необходимо отличать тезаурусы информационно- поисковые с перечнями ключевых слов в статьях, которые предназначены для работы дескрипторных поисковых систем.

Тезаурус • (от греч. θησαυρός — сокровище) в современной лингвистике — особая разновидность словарей общей или специальной лексики, в которых указаны семантические отношения (синонимы, антонимы, паронимы, гиперонимы и т. п. ) между лексическими единицами. • Таким образом, тезаурусы, особенно в электронном формате, являются одним из действенных инструментов для описания отдельных предметных областей. • В отличие от толкового словаря, тезаурус позволяет выявить смысл не только с помощью определения, но и посредством соотнесения слова с другими понятиями и их группами, благодаря чему может использоваться для наполнения баз знаний систем искусственного интеллекта.

Классификация семантических сетей • Для всех семантических сетей справедливо разделение по арности и количеству типов отношений. • По количеству типов отношений, сети могут быть однородными и неоднородными. – Однородные сети обладают только одним типом отношений (стрелок), например, таковой является вышеупомянутая классификация биологических видов (с единственным отношением AKO). – В неоднородных сетях количество типов отношений больше двух. Классические иллюстрации данной модели представления знаний представляют именно такие сети. Неоднородные сети представляют больший интерес для практических целей, но и большую сложность для исследования. Неоднородные сети можно представлять как переплетение древовидных многослойных структур. Примером такой сети может быть Семантическая сеть Википедии.

• Отношение между надмножеством и подмножеством (называется AKO — «A Kind Of» , «разновидность» ). (Пример: «собака является животным» = тип с именем собака является подтипом типа животные)

По арности • типичными являются сети с бинарными отношениями (связывающими ровно два понятия). • Бинарные отношения очень просты и удобно изображаются на графе в виде стрелки между двух концептов. Кроме того, они играют исключительную роль в математике. • На практике, однако, могут понадобиться отношения, связывающие более двух объектов — N-арные. • При этом возникает сложность — как изобразить подобную связь на графе, чтобы не запутаться. • Концептуальные графы снимают это затруднение, представляя каждое отношение в виде отдельного узла.

Фрейм • — (англ. frame — «каркас» или «рамка» ) — способ представления знаний в искусственном интеллекте, представляющий собой схему действий в реальной ситуации. • Первоначально термин «фрейм» ввёл Марвин Минский в 70 -е годы XX века для обозначения структуры знаний для восприятия пространственных сцен. • Фрейм — это модель абстрактного образа, минимально возможное описание сущности какого-либо объекта, явления, события, ситуации, процесса. • Фреймы используются в системах искусственного интеллекта (например, в экспертных системах) как одна из распространенных форм представления знаний.

• Виды фреймов • Различают фреймы-образцы, фреймыэкземпляры, фреймы-структуры, фреймы-роли, фреймы-сценарии, фреймы-ситуации. • Система связанных фреймов может образовывать семантическую сеть. • Применяются фреймы в экспертных системах и других интеллектуальных системах различного назначения.

Структура фрейма • Под структурой фрейма понимается способ использования схемы, типичной последовательности действий, ситуативная модификация фрейма. • Фрейм, кроме всего прочего, включает определённое знание по умолчанию, которое называется презумпцией. • Фрейм отличает наличие определённой структуры. • Фрейм состоит из имени и отдельных единиц, называемых слотами. Он имеет однородную структуру: – ИМЯ ФРЕЙМА – Имя 1 -го слота: значение 1 -го слота – Имя 2 -го слота: значение 2 -го слота –. . . . . – Имя N-го слота: значение N-го слота.

• В качестве значения слота может выступать имя другого фрейма. • Таким образом фреймы объединяются в сеть. • Свойства фреймов наследуются сверху вниз, т. е. от вышестоящих к нижестоящим через так называемые АКО-связи. • Слот с именем АКО указывает на имя фрейма более высокого уровня иерархии. • Незаполненный фрейм называется протофреймом, а заполненный — экзофреймом. Роль протофрейма как оболочки в экзофрейме весьма важна. Эта оболочка позволяет осуществлять процедуру внутренней интерпретации, благодаря которой данные в памяти системы не безлики, а имеют вполне определенный, известный системе смысл.

• Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одну или несколько продукций (эвристик), с помощью которых это значение определяется. • В слот может входить не одно, а несколько значений. • Иногда этот слот включает компонент, называемый фасетом, который задает диапазон или перечень его возможных значений. • Фасет указывает также граничные значения заполнителя слота.

Пролог • (фр. Programmation en Logique) — язык и система логического программирования, основанные на языке предикатов математической логики. • Основными понятиями в языке Пролог являются факты, правила логического вывода и запросы, позволяющие описывать базы знаний, процедуры логического вывода и принятия решений.

• Факты в языке Пролог описываются логическими предикатами с конкретными значениями. Правила в Прологе записываются в форме правил логического вывода с логическими заключениями и списком логических условий. • Особую роль в интерпретаторе Пролога играют конкретные запросы к базам знаний, на которые система логического программирования генерирует ответы «истина» и «ложь» . Для обобщённых запросов с переменными в качестве аргументов созданная система Пролог выводит конкретные данные в подтверждение истинности обобщённых сведений и правил вывода.

• Факты в базах знаний на языке Пролог представляют конкретные сведения (знания). Обобщённые сведения и знания в языке Пролог задаются правилами логического вывода (определениями) и наборами таких правил вывода (определений) над конкретными фактами и обобщёнными сведениями. • Начало истории языка относится к 1970 -м годам. Будучи декларативным языком программирования, Пролог воспринимает в качестве программы некоторое описание задачи или баз знаний и сам производит логический вывод, а также поиск решения задач, пользуясь механизмом поиска с возвратом и унификацией.

• Декларати вные языки программи рования — это языки программирования высокого уровня, в которых программистом не задается пошаговый алгоритм решения задачи ("как" решить задачу), а некоторым образом описывается, "что" требуется получить в качестве результата. Механизм обработки сопоставления с образцом декларативных утверждений уже реализован в устройстве языка. Типичным примером таких языков являются языки логического программирования (языки, основанные на системе правил). •

• PREDICATES (утверждение) loves(string, string). CLAUSES (положения) loves(petya, masha). пишу предложение loves(petya, masha). жму Enter , отвечает Yes, пишу loves(vasya, masha). отвечает No ))

Нечёткая логика • Нечёткая логика и теория нечётких множеств — раздел математики, являющийся обобщением классической логики и теории множеств. • Понятие нечёткой логики было впервые введено профессором Лютфи Заде в 1965 году. • В его статье понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0. . . 1], а не только 0 или 1. • Такие множества были названы нечёткими. Также автором были предложены различные логические операции над нечёткими множествами и предложено понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.

Моделирование работы светофора с нечеткой логикой • В обычном светофоре время работы зеленого и красного света, а также время цикла фиксированы. • Это создает некоторые трудности в движении машин, особенно, при изменении их потоков в часы пик, что довольно часто приводит к появлению автомобильных пробок. • В предлагаемом нечетком светофоре время цикла остается постоянным, однако, время его работы в режиме зеленого света должно меняться в зависимости от количества подъезжающих к перекрестку машин.

Искусственный интеллект • (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. • ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами.

• Согласно Маккарти, ИИ-исследователи вольны использовать методы, которые не наблюдаются у людей, если это необходимо для решения конкретных проблем. • Поясняя своё определение, Джон Маккарти указывает: «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 вычислительная составляющая способности достигать целей в мире» [1].

• Как указывает председатель Петербургского отделения Российской ассоциации искусственного интеллекта Т. А. Гаврилова, в английском языке словосочетание artificial intelligence 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 английский аналог intellect.