Конспект лекций по дисциплине «Системы искусственного интеллекта»




НазваниеКонспект лекций по дисциплине «Системы искусственного интеллекта»
страница1/11
Дата05.09.2012
Размер1.15 Mb.
ТипКонспект
  1   2   3   4   5   6   7   8   9   10   11

Министерство образования и науки

Российской Федерации

Рыбинская Государственная Авиационная Технологическая Академия







Конспект лекций по дисциплине «Системы искусственного интеллекта»

Кафедра МПО ЭВС

Осипов Г.С.














Начало формы





 Оглавление







Предисловие

Лекция 1. 

Место среди других наук, первые шаги и современные направления искусственного интеллекта

 

1.1.

Представление знаний

 

1.2.

Автоматизация рассуждений

 

1.3.

Приобретение знаний, машинное обучение и автоматическое порождение гипотез

 

1.4.

Интеллектуальный анализ данных и обработка образной информации

 

1.5.

Многоагентные системы, динамические интеллектуальные системы и планирование

 

1.6.

Обработка естественного языка, пользовательский интерфейс и модели пользователя

 

1.7.

Нечеткие модели и мягкие вычисления

 

1.8.

Разработка инструментальных средств

Лекция 2. 

Формальные языки и формальные системы

 

2.1.

Язык исчисления предикатов первого порядка

 

2.2.

Исчисление предикатов первого порядка

 

2.3.

Формальные и алгебраические системы

 

2.4.

Интерпретация. Выводимость и истинность

Лекция 3. 

Представление знаний. Системы, основанные на правилах, или продукционные системы

 

3.1.

Правила для представления знаний

 

3.2.

Рабочая память

 

3.3.

Стратегии управления

 

3.4.

Разрешение конфликтного множества правил

 

3.5.

Пример

Лекция 4. 

Представление знаний. Cемантические сети и системы фреймов

 

4.1.

Простые и расширенные семантические сети

 

4.2.

Универсум Эрбрана и семантические сети

 

4.3.

Неоднородные семантические сети

 

4.4.

Отношения структурного сходства, асоциативные и каузальные отношения

 

4.5.

Совместность событий

 

4.6.

Представление знаний в системах фреймов

Лекция 5. 

Рассуждения. Автоматизация дедуктивных рассуждений

 

5.1.

Достоверные и правдоподобные рассуждения

 

5.2.

Автоматизация дедуктивных рассуждений. Поиск доказательств теорем методом резолюций

 

5.3.

Метод резолюций для исчисления высказываний

Лекция 6. 

Автоматизация дедуктивных рассуждений. Метод резолюций для исчисления предикатов первого порядка

 

6.1.

Подстановки

 

6.2.

Унификация

 

6.3.

Алгоритм унификации. Примеры

Лекция 7. 

Правдоподобные рассуждения. Автоматизация индуктивных расуждений

 

7.1.

Понятие квазиаксиоматической теории

 

7.2.

ДСМ -- метод индуктивного вывода

Лекция 8. 

Правдоподобные рассуждения. Автоматизация аргументационных рассуждений и рассуждений на основе прецедентов

 

8.1.

Аргументация

 

8.2.

Алгоритм MIRAGE

 

8.3.

Рассуждения на основе прецедентов

Лекция 9. 

Методы планирования поведения. Поиск плана в пространстве состояний

 

9.1.

Планирование как поиск доказательства теорем

 

9.2.

Планирование в пространстве состояний

Литература






Лекция 1. Место среди других наук, первые шаги и современные направления искусственного интеллекта.

Первые исследования, относящиеся к искусственному интеллекту были предприняты почти сразу же после появления первых вычислительных машин в начале 50-х годов 20 века.

Основной целью исследований в искусственном интеллекте является получение методов, моделей и программных средств, позволяющих искусственным устройствам реализовать целенаправленное поведение и разумные рассуждения. Таким образом, научная дисциплина под названием «искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на основе её результатов технологии относятся к информационным технологиям.

Особенность задач, к которым следует применять методы этой научной дисциплины, состоит в том, что в большинстве случаев, до получения результата решения задачи не известен алгоритм её решения. Алгоритмы решения таких задач являются, обычно, одним из результатов их решения. Например, алгоритм доказательства теоремы можно извлечь из её доказательства.

Человек решает задачи такого рода, используя, в числе прочего, свои знания и компетентность. Это означает, что одним из важнейших направлений искусственного интеллекта является разработка механизмов переноса компетентности - обучения искусственных устройств (или, как принято говорить, приобретения знаний). При этом считается, что результаты решения задач и сам ход решения должны быть транспарентны – «прозрачны» для человека и допускать объяснение.

Таким образом, важной характеристикой представления результатов и хода решения задач искусственного интеллекта является их, в значительной степени, вербальный характер.

Создавая те или иные начальные компьютерные представления и модели, исследователь или разработчик сравнивает их поведение между собой и с примерами решения тех же задач специалистом в соответствующей области, модифицирует их на основе этого сравнения, пытаясь добиться лучшего соответствия результатов. Таким образом, искусственый интеллект представляет собой экспериментальную науку.

Чтобы модификация программ улучшала результаты их работы, надо иметь разумные исходные представления и модели. Такие представления и модели доставляют исследования в области когнитивных наук.

Впервые об искусственном интеллекте заговорили в в 1954 году, когда американский исследователь А.Ньюэлл (A.Newel) решил написать программу для игры в шахматы. Этой идеей он поделился с аналитиками корпорации «РЭНД» Дж. Шоу (J.Show) и Г.Саймоном (H.Simon), которые предложили Ньюэллу свою помощь. В качестве теоретической основы такой программы было решено использовать метод, предложенный в 1950 году Клодом Шенноном (К. Shannon), основателем теории информации. Точная формализация этого метода была выполнена Аланом Тьюрингом (Alan Turing). Он же промоделировал его вручную.
В настоящее время разработка и реализация экспертных систем превратилась в инженерную дисциплину. Научные же исследования сосредоточены в ряде сформировавшихся и формирующихся направлений, некоторые из которых перечислены ниже.


1. Представление знаний.

Представление знаний (knowledge representation) - одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка формальных языков и программных средств для отображения и описания так называемых когнитивных структур1. Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям.


2. Автоматизация рассуждений

Автоматизация рассуждений, помимо автоматизации дедуктивных рассуждений, включает: автоматизацию индуктивных рассуждений, автоматизацию рассуждений на основе прецедентов (case-based reasoning, CBR), на основе аргументации, на основе ограничений, автоматизацию рассуждений с неопределенностью, рассуждения о действиях и изменениях, автоматизацию немонотонных рассуждений и др. Остановимся кратко на некоторых из них.

Рассуждения на основе прецедентов.

Здесь главные проблемы – "фокусировка поиска" на использовании прошлого опыта, оценка сходства прецедентов, поиск алгоритмов адаптации прецедентов и технологии визуализации.

Пусть задано множество прецедентов как множество пар <СЛУЧАЙ, РЕШЕНИЕ>, множество зависимостей между различными атрибутами СЛУЧАЕВ и РЕШЕНИЙ, а также целевая проблема ЦЕЛЬ. Для возникающей новой ситуации («нового случая») требуется найти пару <НОВЫЙ СЛУЧАЙ, ИСКОМОЕ РЕШЕНИЕ>, которая решает целевую проблему.
Автоматизация рассуждений на основе ограничений

Наиболее интересны здесь задачи моделирования рассуждений, основанных на процедурных динамических ограничениях. Они мотивированы сложными актуальными задачами – например, планированием в реальной обстановке. Решение ищется в области значений, удовлетворяющих заданные ограничения.

Под задачей удовлетворения ограничений понимается четверка множеств: множество переменных, множество соответствующих областей переменных, множество ограничений на переменные и множество отношений над областями. Решением проблемы удовлетворения ограничений называется набор значений переменных, удовлетворяющих ограничениям на переменные, такой, что при этом области, которым принадлежат эти значения, удовлетворяют отношениям над областями.

Задача удовлетворения динамических ограничений есть последовательность задач удовлетворения ограничений, в которой каждая последующая задача есть ограничение предыдущей. Эти задачи по смыслу близки задачам динамического программирования. Они связаны также с интервальной алгеброй.

Немонотонные рассуждения

К немонотонным рассуждениям относятся исследования по логике умолчаний (default logic), по логике "отменяемых" (Defeasible) рассуждений, логике программ, теоретико - аргументационой характеризации логик с отменами, характеризации логик с отношениями предпочтения, построению эквивалентных множеств формул для логик с очерчиванием (circumscription) и некоторые другие. Такого рода модели возникают при реализации индуктивных рассуждений, например, по примерам; связаны они также с задачами машинного обучения и некоторыми иными задачами. В частности, в задачах моделирования рассуждений на основе индукции источником первоначальных гипотез служат примеры. Если некоторая гипотеза Н возникла на основе N положительных примеров (например, экспериментального характера), то никто не может дать гарантии, что в базе данных или в поле зрения алгоритма не окажется N+1 - й пример, опровергающий гипотезу (или меняющий степень ее истинности). Это означает, что ревизии должны быть подвержены и все следствия гипотезы H.
Рассуждения о действиях и изменениях

Большая часть работ в этой области посвящена применениям ситуационного исчисления - формализма, предложенного Джоном Маккарти в 1968 году для описания действий, рассуждений о них и эффектов действий. Для преобразования плана поведения робота в исполняемую программу, достигающую с некоторой вероятностью фиксированной цели, вводится специальное логическое исчисление, основанное на ситуационной логике. Для этой логики предложены варианты реализации на языке pGOLOG - версии языка GOLOG, содержащей средства для введения вероятностей.

Активно исследуются логики действий, применение модальных логик для рассуждений о знаниях и действиях.
Рассуждения с неопределенностью

В основе таких рассуждений находится использование байесовского формализма в системах правил и сетевых моделях. Байесовские сети – это статистический метод обнаружения закономерностей в данных. Для этого используется первичная информация, содержащаяся либо в сетевых структурах либо в базах данных. Под сетевыми структурами понимается в этом случае множество вершин и отношений на них, задаваемое с помощью ребер. Содержательно, ребра интерпретируются как причинные связи. Всякое множество вершин Z, представляющее все пути между некоторыми двуми иными вершинами X и Y соответствует условной зависимости между этими двуми последними вершинами.



Далее задается некоторое распределение вероятностей на множестве переменных, соответствующих вершинам этого графа и полученная, но минимизированная (в некотором смысле) сеть называется байсовской сетью.

На такой сети можно использовать так называемый байесовский вывод, т.е. для вычисления вероятностей следствий событий можно использовать (с некоторой натяжкой) формулы теории вероятностей. Иногда рассматриваются так называемые гибридные байесовские сети, с вершинами которых связаны как дискретные, так и непрерывные переменные. Байесовские сети часто применяются для моделирования технических систем.

3. Приобретение знаний, машинное обучение и автоматическое порождение гипотез.

Работы в области приобретения знаний интеллектуальными системами были и остаются важнейшим направлением теории и практики искусственного интеллекта. Целью этих работ является создание методологий, технологий и программных средств переноса знаний и компетентности в базу знаний системы. При этом в качестве источников знаний выступают эксперты (т.е. высококвалифицированные специалисты предметных областей), тексты и данные, например, хранимые в базах данных.

В соответствии с этим, развиваются различные методы приобретения знаний

4. Интеллектуальный анализ данных и обработка образной информации.

Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик, и т.п.

Значительную часть этого направления составляют исследования по различным аспектам распознавания изображений, в частности, с помощью нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.

5. Многоагентные системы, динамические интеллектуальные системы и планирование.

Это направление, изучающее интеллектуальные программные агенты и их коллективы.

Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов и разработка языков для этой цели, координация поведения агентов, разработка архитектуры языка программирования агентов.

Следует подчеркнуть, что со времени появления агентских технологий

интерес к ним переместился из сферы академических исследований в сферу коммерческих и промышленных приложений, а идеи и методы агентских технологий весьма быстро мигрировали из искусственного интеллекта в практику разработки программного обеспечения и другие вычислительные дисциплины.

С агентскими технологиями тесно связаны задачи планирования поведения, или ИИ - планирования – способность интеллектуальной системы синтезировать последовательность действий для достижения желаемого целевого состояния. Работы по созданию эффективных методов такого синтеза востребованы и активно ведутся уже около 30 лет. Планирование является основой интеллектуального управления, т. е. автоматического управления автономным целенаправленным поведением программно-технических систем..

6. Обработка естественного языка, пользовательский интерфейс и модели пользователя.

Это направление связано с разработкой систем поддержки речевого общения, c решением проблем уточнения запроса в информационных системах, с повышением точности поска, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка, с использованием различных эвристик. Сюда же включаются проблемы дискурса (иногда под дискурсом понимают совокупность речевых актов вместе с их результатами).

По прежнему актуальны задачи обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов.

Важнейшей задачей в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта – участника процесса.

Важность этого направления нельзя недооценивать. Причина тому - возрастание потоков текстовой информации, существующий социальный заказ на поиск релевантной информации в Интернете, на анализ текстовой информации, на извлечение данных из текстов.

Предметом исследований в этом направлении является также динамическое моделирование пользователя, в частности, в системах электронной коммерции, адаптивный интерфейс, мониторинг

и анализ пользовательского поведения в Интернете.


7. Нечеткие модели и мягкие вычисления.


Это направление представлено нечеткими схемами вывода, «вывода по аналогии», взглядом на теорию нечетких мер с вероятностных позиций, нечетким представлениям, аналитическими моделями для описания геометрических объектов, алгоритмами эволюционного моделирования с динамическими параметрами, такими как время жизни и размер популяции, методами решения оптимизационных задач с использованием технологий генетического поиска, гомеостатических и синергетических принципов и элементов самоорганизации.


8. Разработка инструментальных средств.

Это обширная сфера деятельности, ставящая перед собой задачи:

а)создания программных средств приобретения знаний для автоматизированного переноса знаний и компетентности в базы знаний. При этом в качестве источников могут выступать не только «прямые» их носители – эксперты различных областей, но и текстовые материалы – от учебников до протоколов, а также, разумеется, базы данных (имплицитные источники знаний). Вербализация, то есть перевод таких источников в эксплицитную форму составляет содержание методов обнаружения знаний в данных, в том числе различных методов обучения по примерам (включая предобработку больших массивов данных для дальнейшего анализа);

б) реализации программных средств поддержки баз знаний.

в) реализации программных средств поддержки проектирования интеллектуальных систем. Набор таких средств обычно содержит редактор текстов, редактор понятий, редактор концептуальных моделей, библиотеку моделей, систему приобретения знаний от экспертов, средства обучения по примерам и ряд других модулей.


Лекция 2. Формальные языки и формальные системы

Основным и, пожалуй, главным для человека средством описания большей части того, что ему известно, является естественный язык. Естественный язык обладает таким спектром свойств - лексической неоднозначностью, неполнотой, избыточностью, возможностью противоречивых описаний, которые, безусловно, относятся к числу его достоинств, но создают трудно преодолимые проблемы при попытках использования текстов, написанных на естественном языке в компьютерных системах.

Элементарную единицу лексики языка составляет слово, имеющее в большинстве случаев не одно, а несколько значений. Любой текст на естественном языке может содержать пробелы - явно не описанные, но подразумеваемые ситуации или их фрагменты. В тексте или речи возможны повторы, которые подчеркивают наиболее существенные соображения автора, расставляют акценты. Естественный язык допускает противоречия. Более того, противоречия в языке - важный поэтический прием ("Речка движется и не движется...").
  1   2   3   4   5   6   7   8   9   10   11

Похожие:

Конспект лекций по дисциплине «Системы искусственного интеллекта» iconКонспект лекций по дисциплине "Программное обеспечение интеллектуальных систем". Для магистров специальности 5А521902
Целью данного курса является приобретение знаний по разработки и реализации основных элементов систем искусственного интеллекта
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconЛабораторная работа №1 по дисциплине “Системы искусственного интелекта
Исчисление предикатов первого порядка является теоретической основной множества формализмов методов искусственного интеллекта. Задачи...
Конспект лекций по дисциплине «Системы искусственного интеллекта» icon«шаг за шагом» создание искусственного интеллекта гашева Светлана
Интеллект рассматривают как прикладную область исследований, связанных с имитацией отдельных функций интеллекта человека [6]. Распознавание...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconУчебно-методический комплекс по дисциплине “основы искусственного интеллекта”
...
Конспект лекций по дисциплине «Системы искусственного интеллекта» icon«Основы искусственного интеллекта»
Рабочая учебная программа по дисциплине «Основы искусственного интеллекта» для ооп «050100 Физика и информатика по циклу б в. 13...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconРабочая программа дисциплины «Системы искусственного интеллекта»
Рабочая программа основана на требованиях Федерального государственного стандарта высшего профессионального образования по направлению...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconУчебно-методический комплекс по дисциплине “основы искусственного интеллекта” для специальности
...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconУчебно-методический комплекс по дисциплине “основы искусственного интеллекта” для специальности
...
Конспект лекций по дисциплине «Системы искусственного интеллекта» iconВ. К. Финн к структурной когнитологии: феноменология сознания с точки зрения искусственного интеллекта
Ки и искусственного интеллекта – полигона экспериментальной проверки научных средств имитации рациональности и продуктивного мышления....
Конспект лекций по дисциплине «Системы искусственного интеллекта» icon1. интеллектуальные системы
Системы искусственного интеллекта, решающие задачи по обработке знаний и при этом проявляющие черты, сходные с чертами естественного...
Разместите кнопку на своём сайте:
Библиотека


База данных защищена авторским правом ©lib.znate.ru 2014
обратиться к администрации
Библиотека
Главная страница