Интеллектуальные технологии и системы Интеллект Термин интеллект

Интеллектуальные технологии и системы

Интеллект Термин «интеллект» происходит от латинского слова intellectus – разум, рассудок. Под «искусственным интеллектом» обычно понимают способность информационных систем брать на себя некоторые функции человеческого разума. К примерам таких функций можно отнести принятие решений на основе накопленного опыта и с учетом анализа состояния объекта и внешней среды. Интеллектуальными следует считать лишь слабоформализованные задачи, такие, для которых алгоритм решения неизвестен, или его слишком сложно определить.

Искусственный интеллект Искусственным интеллектом называют отрасль научного знания, связанную с созданием интеллектуальных информационных систем (Ин. ИС) – класса информационных систем, нацеленных на решение интеллектуальных задач. Общим для них является: • способность к накоплению знаний в целях их последующего применения; • возможность функционирования в условиях неопределенности информации или знаний о закономерностях функционирования исследуемой предметной области; • поэтапное улучшение качества решения.

Классификация Ин. ИС Классификационный признак: по видам интеллектуальных информационных технологий. Наиболее применяемыми в сфере экономики являются следующие интеллектуальные технологии: • технологии инженерии знаний; • технологии экспертных систем; • технологии эволюционного моделирования; • нейросетевые технологии.

Технологии инженерии знаний Инженерия знаний - научное направление, занимающееся вопросами формализации, представления и обработки знаний в информационных системах. Этот термин предложил в 1977 году американский ученый Э. Фейгенбаум. Инженерия знаний изучает вопросы: • извлечения знаний из экспертов и/или текстов; • формализации и обработки знаний; • проектирования и разработкой баз знаний.

Знания По характеру знания можно разделить на декларативные и процедурные. Декларативные знания представляют собой описания фактов и явлений, а также основных связей и закономерностей, в которые эти факты и явления входят. Процедурные знания описывают действия или процедуры, которые возможно применить к фактам и явлениям для достижения определенных целей.

Знания По способу приобретения знания подразделяются на фактические и эвристические. Фактические знания представляют собой хорошо известные в данной предметной области факты и зависимости. Эвристические знания основаны на собственном опыте эксперта, работающего в конкретной предметной области, и, как правило, не имеют точных теоретических обоснований.

Базы знаний Для того, чтобы знания могли быть использованы в Ин. ИС, их необходимо формализовать и представить в виде определенной информационной структуры. Такой структурой выступает база знаний (БЗ). База знаний – это семантическая модель, описывающая предметную область и позволяющая отвечать на такие вопросы из этой предметной области, ответы на которые в явном виде не присутствуют в базе.

Базы знаний Это становится возможным благодаря системе правил, позволяющих выводить новые знания из уже существующих. Таким образом, база знаний состоит из двух основных компонентов: • базы данных, содержащей знания о предметной области в формализованном виде; • механизма (системы правил, процедур) получения новых знаний на основе существующих в базе.

Модели представления знаний К настоящему времени к наиболее распространенным относятся следующие универсальные модели представления знаний: • логическая; • продукционная; • фреймовая; • модель семантической сети.

Логическая модель основана на формальных логических правилах. Знания представляются в ней в виде предикатов первого порядка, над которыми можно выполнять логические операции.

Логическая модель (пример) P: Все импортные товары требуют таможенного оформления Q: Товар Х – импортный товар Над этими предикатами можно выполнить логическую операцию, приводящую к появлению нового верного утверждения: R: Товар Х требует таможенного оформления Используя для обозначения высказываний логические переменные Р, Q, R, можно составить формулу: То есть: «Если все импортные товары требуют таможенного оформления И товар Х является импортным, то товар Х требует таможенного оформления» .

Продукционная модель получила наибольшее распространение благодаря своей структурной простоте и универсальности. В этой модели знания представлены совокупностью так называемых продукционных правил вида «если – то» , которые могут быть дополнены логическими операторами. Пример продукционного правила: если (СПРОС НА ТОВАР неэластичен по цене) и (ЦЕНА понижается) то (ВЫРУЧКА падает)

Продукционная модель Содержимое базы знаний изменяется в процессе решения задач по мере срабатывания правил, то есть при возникновении такой ситуации, когда предпосылки правила совпадают с имеющимися фактами, и, следовательно, это правило можно применить к решению данной задачи. При этом заключение сработавшего правила заносится в рабочую память. Тем самым реализуется принцип самообучения: база пополняется в процессе решения прикладных задач, и становится способной решать принципиально новые задачи.

Фреймовая модель Основана на теории фреймов, разработанной американским исследователем М. Минским, и представляющей собой систематизированную модель памяти и сознания человека. Поскольку эта теория имеет несколько абстрактный характер, фреймовая модель представления знаний обычно применяется в комбинации с другими моделями.

Фреймовая модель Фреймом называется структура данных для представления некоторой стереотипной ситуации или объекта. Каждый фрейм имеет имя, идентифицирующее описываемое понятие, и содержит ряд полей – слотов, с помощью которых определяются основные элементы понятия. Слоты содержат определенные значения, которые могут представлять собой некоторый диапазон или перечень возможных значений, арифметическое выражение, фрагмент текста и т. д.

Фреймовая модель позволяет отобразить все многообразие знаний через различные типы фреймов: • фреймы-структуры для обозначения объектов и понятий (заказ, товар, ценная бумага); • фреймы-роли (поставщик, кассир, клиент); • фреймы-сценарии (продажа товара, прием заказа); • фреймы-ситуации (обнаружение дефекта товара) и др. Совокупность данных предметной области может быть представлена множеством взаимосвязанных фреймов, образующих единую фреймовую систему, в которой объединяются декларативные и процедурные знания.

Семантическая сеть представляет собой систему знаний некоторой предметной области, представленную в виде целостного образа сети, узлы которой соответствуют понятиям и объектам, а дуги — отношениям между объектами. При построении семантической сети отсутствуют ограничения на число отношений и на сложность сети.

Семантическая сеть Наиболее часто в семантических сетях используются следующие отношения: • связи типа «часть-целое» ( «вид-род» , «элементмножество» ); • функциональные связи (определяемые обычно глаголами или глагольными оборотами ( «влияет на» , «подчиняется» и т. п. ); • количественные ( «больше» , «меньше» , «равно» ) • атрибутивные связи ( «имеет свойство» , «имеет значение» ); • логические связи ( «и» , «или» , «не» ) • отношения «сходства — различия» ; • отношения «причина - следствие» и др.

Экспертные системы Технологии инженерии знаний составляют основу для разработки и функционирования экспертных систем. Экспертная система (ЭС) – вид Ин. ИС, аккумулирующих знания специалистов в определенной предметной области и способных предлагать и объяснять пользователю разумные решения. В составе экспертной системы выделяют три основные части: • база знаний; • механизм логического вывода; • подсистема объяснений.

Эволюционное моделирование Это направление в моделировании, использующее методы и принципы биологической эволюции для оптимизации систем. Идеи эволюционного моделирования возникали у ряда авторов, начиная с 1960 -х годов. Следует отметить вышедшую в 1975 году книгу американского ученого Дж. Холланда «Адаптация в естественных и искусственных системах» , в которой впервые был предложен генетический алгоритм.

Генетические алгоритмы Это компьютерная модель эволюции популяции искусственных «особей» , ключевыми операторами которой являются селекция, скрещивание и мутация. Генетические алгоритмы предназначены для решения задач оптимизации. К подобным задачам можно отнести, например, бизнес-планирование. В процессе разработки бизнес-плана возникает большое число альтернатив: многочисленные условия получения кредита в различных банках, различные схемы закупок и реализации, варианты приобретения оборудования у различных поставщиков и т. д.

Типовой алгоритм Формирование популяции Работа алгоритма начинается с формирования Скрещивание родителей начальной популяции – конечного набора К избранным родителям применяется оператор Мутация потомков допустимых вариантов решения задачи. На скрещивания: на к новому этапу эволюции Потомок. Переход основесебе свойства двух комбинирует в комбинации параметров каждом шаге эволюции с помощью каждогозаканчиваетсясоздается новыйдля родителей. Однако этого недостаточноэволюции. На этом из родителей очередной шаг вариант – вероятностного оператора селекции выбираются потомок. Простейшим необходимо приобретение развития популяции - видом оператора момента, Шаги повторяются вновь и родителями. два решения, является однородный оператор: он называемых вновь до того скрещивания Поэтомужелаемое значение новыхбудет достигнуто вариант-потомок когда свойств. перебирает все параметры варианта и с пройдет подвергается небольшим когда указанное целевой функции или же случайным вероятностью 0, 5 случайным образом присваивает модификациям при помощи оператора мутации. количество шагов. им значениевариант-потомок добавляется в После чего, либо от первого, либо от второго родителя. а вариант с наименьшим значением популяцию, целевой функции удаляется из нее.

Нейросетевые технологии Нейросетевыми технологиями называют комплекс информационных технологий, основанных на применении искусственных нейронных сетей. Искусственные нейронные сети (ИНС) – это программно или аппаратно реализованные системы, построенные по принципу организации и функционирования их биологического аналога – нервной системы человека.

Нейросетевые технологии В основе нейросетевых технологий лежит идея о том, что функционирование биологического нейрона можно промоделировать относительно простыми математическими моделями, а вся глубина и гибкость человеческого мышления и другие важнейшие качества нервной системы определяются не сложностью нейронов, а их большим числом и наличием сложной системы связей между ними.

Модель нейрона Х 1 y=f(s) Х 2 Х 3. . . Хn Х – сигнал, W – весовой коэффициент, У – активационная функция нейрона

Обучение нейрона Подобно биологическим системам, которые он моделирует, искусственный нейрон изменяет свои характеристики в результате попыток достичь лучшей модели поведения. Изменения состоят в корректировке величин коэффициентов wi входящих связей. Тем самым изменяется и величина исходящего сигнала, который будет генерироваться при тех же входных сигналах. Корректируя весовые коэффициенты, нейрон накапливает «опыт» , приспосабливая свой выходной сигнал к решению той или иной конкретной задачи.

Обучение нейрона В практике искусственных нейронных сетей сложились два основных метода обучения: • с учителем, • без учителя. При обучении с учителем предполагается, что помимо входных сигналов, известны также и ожидаемые выходные сигналы. Иными словами, нейрон каждый раз получает информацию о том, какой выходной сигнал от него ожидают. При обучении без учителя ожидаемые выходные сигналы неизвестны, подбор весовых коэффициентов осуществляется на основе конкуренции нейронов, либо корреляции обучающих и выходных сигналов.