1. интеллектуальные системы




Название1. интеллектуальные системы
страница1/9
Дата24.09.2012
Размер1.49 Mb.
ТипДокументы
  1   2   3   4   5   6   7   8   9
СОВРЕМЕННЫЕ ПРОБЛЕМЫ ИВТ


1. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ


Введение

По мере развития техники и материального производства наблюдается рост числа неформализуемых или не четко формализуемых проблем, для решения которых не существует строгих математических подходов. Дисциплину, изучающую возможности и методы создания систем для решения задач, которые требуют определенных интеллектуальных усилий при выполнении их человеком, называют искусственным интеллектом. Системы искусственного интеллекта, решающие задачи по обработке знаний и при этом проявляющие черты, сходные с чертами естественного интеллекта, принято называть интеллектуальными системами.

Термин искусственный интеллект (artificial intelligence) предложен в 1956 г. в Стэнфордском университете (США). Но история искусственного интеллекта имеет далекую предысторию.

Впервые идею создания искусственного разума, подобного человеческому мозгу, высказал в XIV веке Р.Луллий (ок.1235-ок.1315). В XVIII в. Г.Лейбниц (1646 — 1716) и Р.Декарт (1596 — 1650) независимо друг от друга продолжили попытки создания искусственного интеллекта на основе классификации понятий всех наук.

В 40-х гг. XX века после создания ЭВМ, в частности, благодаря работам Н.Винера (1894 — 1964), идеи создания интеллектуальных систем встали на реальную почву.

Работы в области искусственного интеллекта можно классифицировать по типам решаемых задач, выделяя задачи:

  • распознавание образов;

  • доказательство теорем;

  • машинный перевод;

  • понимание и синтез речи и текстов на естественных языках (ЕЯ);

  • обучение;

  • принятие решений и др.

Для решения этих задач на компьютерах необходима разработка соответствующих методов и средств представления и обработки знаний. В этом аспекте искусственного интеллекта различают дедуктивные системы, математическую лингвистику и языки ИИ, нечеткие множества, экспертные системы, многоагентные системы, нейрокибернетику. Применяемые методы опираются на одну из двух парадигм.

Одна из них основана на стремлении использовать аналогии с явлениями живой природы. Во-первых, это направление изучения функционирования человеческого мозга и поиска путей его имитации в ИИ. Так, нейрокибернетика (или нейроинформатика) ориентирована на аппаратное моделирование структур, подобных структурам мозга. Во-вторых, изучение природы наследственности и использование эволюционных принципов в технических системах. Близко к ИИ примыкает бионика и применение ее принципов в робототехнических системах.

Вторая парадигма не связана со структурой мозга и природными реализациями живых организмов. Это направление "черного ящика". т.е. устройства, которое должно выполнять сложные функции, которые считались лишь уделом мыслящих существ, однако "черный ящик" никак не связывался с устройством мозга. Это направление искусственного интеллекта ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров.

Понятие исчисления (дедуктивной системы) ввел в 1943 г. американский математик Э.Пост (E.Post). Подход к автоматическому доказательству теорем описал Эрбран (J.Herbrand) в 1930 г., но реализация процедуры доказательства стала возможной после появления ЭВМ, особенно после разработки метода резолюций Д.Робинсоном (J.Robinson) в 1965 г.

Метод резолюций нашел свое эффективное применение в логическом программировании и языке Пролог, созданном в Марселе Ковальским и Колмероэ в 1973 г. Их первоначальная программа, написанная на Фортране, предназначалась для построения систем обработки текстов на естественных языках. Эффективность Пролога была продемонстрирована после разработки компилятора Пролога в конце 70-х.

Но первым языком искусственного интеллекта, не потерявшим своей популярности до наших дней, был созданный в 1958 г. Джоном Мак-Карти (J.McCarthy) из Массачусетсткого технологического института язык обработки списков ЛИСП (LISP — LISt Processing), ставший языком функционального программирования.

В реальных задачах детерминированность является лишь модельным приближением, не всегда адекватным исследуемой ситуации. Это относится и к математической логике. Для отражения неопределенности, присутствующей в практических задачах вследствие неполноты исходных данных, Л.Заде (Lotfi Zadeh) к 1965 г. разработал теорию нечетких множеств, нашедшую широкое применение в системах ИИ, в частности, в экспертных системах.

Экспертные системы, основанные на выявлении и представлении в компьютере человеческих знаний, привлекли к себе заметное внимание в середине 70-х годов. Одними из первых были разработаны ставшие уже классическими экспертные системы MYCIN и DENDRAL для медицины и химии.

MICIN — экспертная система для медицинской диагностики. Разработана группой по инфекционным заболеваниям Стэнфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил.

DENDRAL — экспертная система для распознавания химических структур. Первые версии данной системы появились еще в 1965 году также в Стэнфордском университете. Пользователь дает системе DENDRAL некоторую информацию о веществе и данные спектрометрии, а система выдает диагноз в виде соответствующей химической структуры.

К числу первых из разработанных экспертных систем относится также PROSPECTOR — экспертная система, созданная для содействия поиску коммерчески оправданных месторождений полезных ископаемых.

В 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта "промышленный интеллектуальный робот". Цель этой разработки — создание очувствленного манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем

Трудно назвать конкретную дату, которую можно было бы назвать днем рождения многоагентных систем (МАС), поскольку многие события в истории ИИ так или иначе были прелюдией к созданию МАС. Среди этих событий нельзя не отметить работы У.Р.Эшби (Ashby), М.Л.Цетлина, Д.А.Поспелова и др. Заметный вклад в теорию МАС внес К.Хьюитт (C.Hewitt), рассматривавший в 1977 г. распределенную систему, как совокупность взаимодействующих акторов. Использование МАС направлено на снижение сложности систем управления, повышение их живучести, росту быстродействия, так как процессы легче распараллеливаются, происходит локализация большинства связей на малых расстояниях.

Генетические алгоритмы (ГА) – наиболее значительное представление эволюционных вычислений. Д.Холланд (J.Holland) признан в мире как основоположник ГА. Он и его последователи Д Голдберг (D.Goldberg), Де Янг (De Jong) и др. разработали основы и ряд стратегий генетического поиска при решении задач оптимизации и принятия решений в различных приложениях.

Достаточно весомы результаты работ по проблемам искусственного интеллекта, проводившихся в России.

В 1954 г. в МГУ под руководством профессора А.А.Ляпунова (1911 — 1973) начал свою работу семинар "Автоматы и мышление". В этом семинаре принимали участие крупнейшие физиологи, лингвисты, психологи, математики.

В 1959 г. по инициативе А.И.Берга создается Научный совет по комплексной проблеме "Кибернетика" при Президиуме АН СССР. Аксель Иванович Берг (1893-1979) создал в АН СССР Институт радиотехники и электроники, способствовал созданию Института семиотики, стоял у истоков такого научного направления как вычислительная лингвистика (вместе с А.А.Ляпуновым).

В 1955 — 1964 гг. создаются отдельные программы и исследуется поиск решения логических задач. В Ленинграде (ЛОМИ — Ленинградское отделение математического института им. В.А.Стеклова) создается программа, автоматически доказывающая теоремы (АЛПЕВ ЛОМИ). Она основана на оригинальном обратном выводе С.Ю.Маслова, аналогичном методу резолюций Робинсона.

В 1965-1980 гг. получает развитие новая наука— ситуационное управление (соответствует представлению знаний в западной терминологии). Основоположник этой научной школы — профессор Д.А.Поспелов. Разработаны специальные модели представления ситуаций — представления знаний.

В Московском государственном университете создается язык РЕФАЛ.

Развитию генетических алгоритмов в СССР и России способствовали работы Л.А.Растригина, Ю.И.Неймарка, И.Л.Букатовой и др.

Первой советской системой по моделированию автономных агентов стала ТАИР, разработанная под руководством Н.М.Амосова.

Одной из сфер приложений искусственного интеллекта, позволяющей сравнивать возможности естественного и искусственного интеллектов является игра в шахматы. Над программами шахматной игры трудятся целые коллективы. В 1974 г. состоялся турнир шахматных программ, который выиграла советская программа Каисса.


Способы представления знаний




Среди способов представления знаний различают словари с определениями понятий, тезаурусы, таксономии, онтологии, базы знаний.

Тезаурусом называют множество смысловыражающих единиц некоторого языка с заданной на нём системой семантических отношений. Каждому понятию сопоставляется синонимичный дескриптор, и для дескрипторов явным образом указываются семантические отношения: род — вид, часть — целое, цель — средство и т. д.

Таксоном называют объект (понятие) некоторой предметной области. Таксономия (т.е. закон и упорядочение) — иерархическая структура классификаций определенного набора таксонов. В таксономиях отражены отношения "род-вид".

Онтология (в информатике) — формальное представление некоторой области знаний, включающее иерархическую структуру понятий, их связи и правила (теоремы, ограничения), принятые в этой области. Онтология вместе с набором индивидуальных экземпляров классов образует базу знаний. В действительности, трудно определить, где кончается онтология и где начинается база знаний. При этом онтологией можно называть базу однозначно понимаемых знаний.


Введение в управление знаниями


Управление знаниями (knowledge management) — новая дисциплина, занимающаяся вопросами создания и управления знаниями, представляющими интерес для компаний. Управление знаниями определяют также как совокупность процессов, которые управляют созданием, распространением, обработкой и использованием знаний внутри предприятия. Управление знаниями включает определение ценных для компании знаний, их распространение среди сотрудников компании, использование и генерирование новых знаний.

Среди теоретических предпосылок возникновения knowledge management (КМ) можно выделить следующие.

Известно, что приобретаемый опыт в производстве изделий позволяет сокращать издержки и затраты, что связано с расширением знаний (в сфере экономики ).

В сфере социологии знания генерируются, главным образом, в коллективах. На макроуровне — развиваются идеи постиндустриального, информационного или основанного на знании общества. На микроуровне исследуется поведение человека в группах и сообществах.

В философии и психологии КМ исследует различия между скрытыми и явными знаниями, между "знать как" и "знать что". Психология изучает то, как люди обучаются, забывают, действуют и т.п.

Различают корпоративные знания явные и неявные. Явные знания — это содержание документов организации таких, как письма, статьи, справочники, патенты, чертежи, программное обеспечение и т. п. Неявные (скрытые) знания — это персональные знания, связанные с индивидуальным опытом сотрудников. Часто именно скрытое знание является ключевым при принятии решении и управлении производственными процессами.

В управлении знаниями можно выделить следующие этапы:

1. Накопление, часто происходящее стихийно и бессистемно.

2. Извлечение.

3. Структурирование — выделение основных понятий, выработка способов представления информации.

4. Формализация — перевод знаний в машинный формат.

5. Сопровождение (обслуживание) — удаление, корректировка, добавление, фильтрация данных и знаний для поиска информации, необходимой пользователям.


Data Mining


Data Mining (DM) — направление в области интеллектуальных систем, связанное с поиском в больших объемах данных скрытых закономерностей. Data Mining можно интерпретировать как обнаружение знаний в базах данных или как интеллектуальный анализ данных. Дословно DM переводится как добыча данных. Другими словами, это добыча знаний, необходимых для принятия решений в различных сферах человеческой деятельности. При этом под знаниями понимается совокупность сведений, которая образует целостное описание, соответствующее некоторому уровню осведомленности об описываемом вопросе, предмете, проблеме и т.д. Искомые закономерности часто выражаются в виде шаблонов (паттернов — patterns), которые представляют собой некоторые выборки данных. Построение моделей прогнозирования также является целью поиска закономерностей.

Cтатистические методы методы анализа данных и OLAP в основном ориентированы на проверку заранее сформулированных гипотез и на предварительный анализ данных, в то время как Data Mining занимается поиском неочевидных закономерностей.

Единого мнения относительно того, какие задачи следует относить к Data Mining, нет. В большинстве источников называются следующие основные задачи:

  • классификация,

  • кластеризация,

  • ассоциация,

  • последовательность,

  • прогнозирование,

Важной задачей, близкой к Data mining является поиск знаний (knowledge discovery).

С помощью классификации объекты распределяются между заранее определенными группами.

Целью кластеризации является определение таких групп.

Ассоциация имеет целью определение отношений между событиями.

Прогнозирование используется для предсказания событий на основе известных уже имевших место фактов и событий.

Text Mining — одна из подобластей Data Mining, которая ориентирована на обработку текстовой информации и широко применяется для мониторинга ресурсов Интернет. Задача Text Mining — проанализировать не синтаксис, а семантику значения текстов, выбрать из него информацию, наиболее значимую для пользователя (есть тесная связь с контент-анализом). Обычно выделяют такие приложения Text Mining:

  • реферирование текстов на естественном языке;

  • классификацию (тематическое индексирование) текстовых документов;

  • кластеризацию текстовых документов и их фрагментов;

  • построение онтологии текстового документа (основных терминов и связей между ними), например семантической сети;

  • визуализация полученных знаний.

Основная особенность Data Mining — это сочетание количественного и качественного анализа. Большинство аналитических методов, используемых в технологии Data Mining, - это известные математические алгоритмы и методы.

Процесс извлечения знаний в Data Mining состоит из следующих стадий:

Стадия 1. Выявление закономерностей (свободный поиск).

Стадия 2. Использование выявленных закономерностей для предсказания неизвестных значений (прогностическое моделирование).

Стадия 3. Анализ исключений — выявление и объяснение аномалий, найденных в закономерностях.

Арсенал средств Data Mining довольно обширен. Классификация методов Data Mining выполняется по ряду признаков.

В зависимости от полноты используемых при анализе данных различают методы следующих двух групп:

1. Методы с непосредственным использованием данных с их сохранением на всех стадиях анализа. Недостаток методов этой группы — возможные сложности анализа сверхбольших баз данных. К этой группе относятся кластерный анализ, метод ближайшего соседа, метод k-ближайшего соседа, рассуждение по аналогии.

2. Методы с выявлением и использованием формализованных закономерностей, или дистилляция шаблонов. При этом образцы (шаблоны) информации извлекаются из исходных данных на стадии свободного поиска и преобразуются в некие формальные конструкции, которые и используются на стадиях прогностического моделирования и анализа исключений. Очевидно, что шаблоны значительно компактнее самих баз данных. К этой группе относятся логические методы; методы визуализации; методы кросс-табуляции; методы, основанные на уравнениях.

Статистические методы Data mining подразделяют на следующие группы:

1. Дескриптивный анализ и описание исходных данных.

2. Анализ связей (корреляционный и регрессионный анализ, факторный анализ, дисперсионный анализ).

3. Многомерный статистический анализ (компонентный анализ, дискриминантный анализ, многомерный регрессионный анализ, канонические корреляции и др.).

4. Анализ временных рядов (динамические модели и прогнозирование).

К кибернетическим методам Data Mining относят:

искусственные нейронные сети (распознавание, кластеризация, прогноз);

• эволюционное программирование (в т.ч. алгоритмы метода группового учета аргументов);

генетические алгоритмы (оптимизация);

• ассоциативную память (поиск аналогов, прототипов);

нечеткую логику;

• деревья решений;

экспертные системы.


  1   2   3   4   5   6   7   8   9

Похожие:

1. интеллектуальные системы iconПрограмма дисциплины сд. 04 «Интеллектуальные информационные системы»
Методические рекомендации предназначены для студентов очной и очно-заочной форм обучения по специальности 230201. 65 Информационные...
1. интеллектуальные системы iconПрограмма междисциплинарного вступительного экзамена в магистратуру факультета автоматики и вычислительной техники (фавт) по направлениям 230100 «Информатика и вычислительная техника»
Теоретическая информатика”, “Высокопроизводительные вычислительные системы”, “Интеллектуальные системы”, “Информационное и программное...
1. интеллектуальные системы iconКнига будет полезна для специалистов по интеллектуальным ин- формационным технологиям, а также в преподавании дисциплины «Интеллектуальные информационные системы»
«мягкие вычисления». Описаны интеллектуальные системы моделиро- вания. Показаны возможности мягких вычислений в современных ин- формационных...
1. интеллектуальные системы iconБеликова Т. П., к т. н., ст н. с., доцент Интеллектуальные системы: Пособие по выполнению лабораторных работ
Интеллектуальные системы: Пособие по выполнению лабораторных работ. – М.: Мгту га, 2011. 31с
1. интеллектуальные системы iconРабочая учебная программа по дисциплине Интеллектуальные информационные системы
...
1. интеллектуальные системы iconИнтеллектуальные системы
Кретов В. С, Лебедев И. С. Методика оценки эффективности системы поддержки принятия решений в условиях кризисных ситуаций
1. интеллектуальные системы iconВ семи томах том Интеллектуальные системы (Системы решения проблем)
Интеллсист, их структуры и технологии работы с инструментарием составляют центральную часть тома. Оценка возможностей Интеллсист...
1. интеллектуальные системы iconЭкзаменационные вопросы по информат ике Направление подготовки «Адаптивная физическая культура»
Основные понятия информатики: информационная среда, информационные технологии, информационные системы, базы данных, интеллектуальные...
1. интеллектуальные системы iconГоувпо «Самарский государственный архитектурно-строительный университет» Факультет информационных систем и технологий
Искусственный интеллект в промышленных системах. Интеллектуальные сапр и асу. Интеллектуальные роботы
1. интеллектуальные системы iconРоманов В. П. Интеллектуальные информационные системы в экономике: Учебное пособие /Под ред д. э н. проф. Н. П. Тихомирова
Балдин К. В., Уткин В. Б. Информационные системы в экономике. Учебник для вузов 4 изд. — М., Academia, 2008
Разместите кнопку на своём сайте:
Библиотека


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