1.
Класичні моделі представлення
знань
Класичні
(символьні) наслідують мисленню і структурі пам’яті людини.
До
класичних моделей представлення знань відносяться:
- Правила продукції(висновків);
- Фрейми(правила структурування);
- Семантичні мережі(правила зв'язування);
- Логіка(множина атрибутів мислення та ієрархії);.
- Логіка Арістотеля(діалектична логіка);
- Логіка Дж. Буля(математична логіка);
- Логіка Л. Заде(нечітка логіка);
- Логіка Ч. Осгуда.
2.
Представлення знань у вигляді
правил (продукційна модель)
Якщо знання представляють правила
«Якщо-то» , то для таких систем знання представляються у вигляді продукційних
моделей.
Кожне продукційне правило складається з
двох частин:
1) антецедент – складається з звичайних логічних звязків (і, не, або, та інш.)
1) антецедент – складається з звичайних логічних звязків (і, не, або, та інш.)
2) консеквент – включає в себе одне або
декілька пропозицій що утворюють рішення, яке видається правилом або підлягаючу
до виконання дію.
Кожне
правило містить атрибут (двигун, ручка, колесо) і значення (двигун не
заводиться, ручка не пише, колесо не котиться).
Правило
спрацьовує у випадку якщо факти з робочої пам’яті при співставлені спрацьовують
з його антецедентом, після чого правило вважають відпрацьованим.
Продукційні системи поділяються на два
типи:
1) з прямими (спрямованими) висновками:
системи MYCIN – використовуються в медичній
діагностиці.
2) із зворотнім висновком.
Системи продуктивності з прямими
висновками мають 3 складових компоненти:
-
бази
правил, які складаються з набору продукції;
-
база даних, яка містить безліч факторів;
-
інтерпретатор
для логічного висновку на основі даних і значень.
Бази правил і бази даних утворюють бази
знань, а інтерпретатор забезпечує механізм логічного висновку.
Прямим висновком називають висновок, який
керується даними (антецедентом). У ньому цей висновок шукають за відомими
фактами і гіпотезами за якими він слідує. В цілому продукційні системи з прямим
висновком не придатні для розв’язку великомасштабних задач, оскільки описане
циклічне зіставлення істотно сповільнює швидкість отримання висновків із
більшим числом правил.
В системах зворотного висновку за
допомогою правил, будується дерево (і, або) яке зв’язує в єдине факти і
висновки. Логічним висновком тут є оцінка дерева на основі фактів в базі знань.
При цьому спочатку висувається гіпотеза, а потім механізм висновку, в процесі
роботи повертає назад до пошуку фактів які підтверджують цю гіпотезу. Якщо вона
правильна, то вибирають наступну гіпотезу, деталізуючи першу. Дані шукають
факти які підтверджують гіпотези.
Існують ще треті, двонаправлені висновки
в інформаційних системах. В них спочатку оцінюють не великий об’єм отриманих
даних і вибирають гіпотезу прямим висновком. А потім за допомогою зворотного
висновку шукають дані (факти) що необхідні для приймання рішення по виконанні
даної гіпотези. Такі системи є найбільш потужними.
3.
Переваги продукційної моделі
представлення знань
Основними
перевагами є:
•
Універсальність - практично будь-яка область знань може бути представлена в
продукційній формі;
•
Модульність - кожна продукція являє собою елемент знань про предметну область;
видалення одних і додавання інших продукцій виконується незалежно;
•
Декларативність - продукції визначають ситуації предметної області, а не
механізму керування;
•
Природність процесу виведення, що багато в чому аналогічний процесу міркувань
експерта;
•
Асинхронність і природний паралелізм, що робить їх дуже перспективними для
реалізації на рівнобіжних ЕОМ.
4.
Недоліки продукційної моделі
представлення знань:
1. Складнощі
управління продукційного висновку через складність оцінки цілісного образу
знань;
2. Відсутність
гнучкості в логічному висновку;
3. Низька
ефективність обробки знань через тривалу не продуктивну перевірку застосовності
правил;
4. Складність
представлення родовидової ієрархії понять в явній формі.
5.
Фреймова модель представлення
знань:
Фреймові
моделі представлення знань використовують теорію організації пам'яті, розуміння
і навчання, запропоновану М.Мінським. Фрейм (від англ. frame - рамка, каркас,
кістяк) - структура даних, призначена для представлення стереотипних ситуацій.
Фрейм складається зі слотів (slot - гніздо, щілинка, паз). Значенням слота
можуть бути числа, вираження, тексти, програми, посилання на інші фрейми.
Сукупності фреймів утворюють ієрархічні структури, побудовані на родовидових
ознаках, що дозволяє успадковувати значення слотів. Така властивість фреймів
забезпечує ощадливе розміщення бази знань у пам'яті. Крім цього, значення
слотів можуть обчислюватися за допомогою різних процедур, тобто фрейми
комбінують у собі декларативні і процедурні представлення знань. Фреймові
моделі можна розуміти як мережні моделі уявлення знань, коли фрагмент мережі
представляється фреймом з відповідними слотами і значеннями. З фреймовими
моделями зв'язані моделі представлення знань на основі сценаріїв і об'єктів.
Знання, якими оперує людина, часто мають якісну природу, характеризуються
неповнотою, неточністю, нечіткістю.
6.
Фреймова модель представлення знань. Переваги фреймових моделей
Фреймові
моделі представлення знань використовують теорію організації пам'яті, розуміння
і навчання, запропоновану М.Мінським. Фрейм (від англ. frame - рамка, каркас,
кістяк) - структура даних, призначена для представлення стереотипних ситуацій.
Фрейм складається зі слотів (slot - гніздо, щілинка, паз). Значенням слота
можуть бути числа, вираження, тексти, програми, посилання на інші фрейми.
Сукупності фреймів утворюють ієрархічні структури, побудовані на родовидових
ознаках, що дозволяє успадковувати значення слотів. Така властивість фреймів
забезпечує ощадливе розміщення бази знань у пам'яті. Крім цього, значення
слотів можуть обчислюватися за допомогою різних процедур, тобто фрейми
комбінують у собі декларативні і процедурні представлення знань. Фреймові
моделі можна розуміти як мережні моделі уявлення знань, коли фрагмент мережі
представляється фреймом з відповідними слотами і значеннями. З фреймовими
моделями зв'язані моделі представлення знань на основі сценаріїв і об'єктів.
Знання, якими оперує людина, часто мають якісну природу, характеризуються неповнотою,
неточністю, нечіткістю.
Переваги: 1) Ефективність
структурованого опису складних понять і рішень задач з
різними способами висновку в наслідок різної виродженості родововидових
зв'язків;
2) Можливість економії робочої пам'яті комп'ютера, оскільки значення слотів зберігається в єдиному
примірнику і включає лише той фрейм, який містить слот з даними фреймів;
3) Допустимість обчислення значення будь-якого слота, за
допомогою відповідних процедур або евристики.
7.
Фреймова модель представлення знань. Недоліки фреймових моделей.
Фреймові
моделі представлення знань використовують теорію організації пам'яті, розуміння
і навчання, запропоновану М.Мінським. Фрейм (від англ. frame - рамка, каркас,
кістяк) - структура даних, призначена для представлення стереотипних ситуацій.
Фрейм складається зі слотів (slot - гніздо, щілинка, комірка, паз). Значенням слота
можуть бути числа, вираження, тексти, програми, посилання на інші фрейми.
Сукупності фреймів утворюють ієрархічні структури, побудовані на родовидових
ознаках, що дозволяє успадковувати значення слотів. Така властивість фреймів
забезпечує ощадливе розміщення бази знань у пам'яті. Крім цього, значення
слотів можуть обчислюватися за допомогою різних процедур, тобто фрейми
комбінують у собі декларативні і процедурні представлення знань. Фреймові
моделі можна розуміти як мережні моделі уявлення знань, коли фрагмент мережі
представляється фреймом з відповідними слотами і значеннями. З фреймовими
моделями зв'язані моделі представлення знань на основі сценаріїв і об'єктів. Знання,
якими оперує людина, часто мають якісну природу, характеризуються неповнотою,
неточністю, нечіткістю.
Недоліки: висока істотна складність трудомісткість щодо внесення
змін і повільна швидкість роботи і швидкість отримання висновку.
8.
Модель семантичної мережі
Модель семантичної мережі представляє собою орієнтований позначений граф, вершини якого є
поняття, а дугами – семантичні відносини між поняттями. В основу була покладена
так звана семантична мережа – визначає смисл понять природної людської мови. Об'єкти можуть виражати події, процеси,
властивості об'єктів; вершини мережі сполучаються дугою, якщо відповідні
об'єкти знаходяться у деякому відношенні. Наприклад, Студент отримує стипендію,
вчиться в університеті, це людина, здає екзамен у професора. Професор – це
людина, працює в університеті. Університет – це ВНЗ. Як і в моделі фреймів в
семантичній мережі можуть бути відображені видо-видові відношення, що дозволяє
реалізувати успадкування властивостей. Тому семантичні мережі мають всі
переваги і недоліки представлення знань фреймової моделі. Основний недолік
семантичних мереж – це збільшення часу пошуку і зростання розмірів мережі та
складність обробки висновку.
9. Логічна модель представлення знань
Логічна модель представлення знань являє собою структурований
набір відповідних речень(суджень) природної (людської) мови, поданих у вигляді логічних формул числення предикатів
першого порядку.
Логічна модель містить у собі:
- елементи логіки,
- елементи обчислення висловлювань (силогістика Арістотеля),
- елементи обчислення предикатів( елементи обчислення предикатів І, ІІ, ІІІ порядків),
- елементи теорії множин (елементи класичної та альтернативних теорії множин),
- елементи теорії алгоритмів.
Предикат – це логічна функція, яка залежить від однієї чи
декількох аргументів і приймає одне із двох значень – хибність або істина.
За допомогою логічних операторів (кон'юнкція, диз'юнкція,
заперечення, імплікація, тотожність, помилковість) можуть бути побудовані
складні низки логічних значень (правил)
В основі знань лежить
мова математичної логіки, яка поєднує логіку висловлювань і опис предикатів.
Висловлювання називається вираз, в якому стверджується або заперечується
властивості об'єкта. Звідси можливі 2-а факти істинності або хибності.
Використання алгебри логіки, будуються
логічні висновки. На приклад: висловлювання «Тварина є птахом» виходить з двох
інших висловлювань, а саме ЯКЩО тварина має пір'я і відкладає яйця, ТО ця
тварина є птахом.
10. Визначення інтелекту. Його
відмінності від алгоритму.
Інтелект – це здатність мозку вирішувати
інтелектуальні задачі шляхом набуття, запам'ятовування
і ціленаправленого перетворення знань у процесі навчання і адаптації до різних обставин.
Алгоритм – це точна послідовність дій, яка приводить
до рішення задач.
З точки зору алгоритму – інтелект – це універсальний
алгоритм, який може створювати інші алгоритми рішення конкретних задач.
11. Історія розвитку систем штучного
інтелекту
XVIII ст. Лейбніц – розробив першу систему формальної логіки і розробив
машину для автоматизації її обчислень. В цей й же ж період відбувається
формалізація теорії графів, де вузли графів розглядалися як теорії станів і
розв’язок задача розглядався, як пошук шляхів в множині графу станів.
XIX ст. поява праць Чарльза Бебіджа, Джона
Буля. Зокрема останній створив формальну мову для опису мислення.
ХХ ст. зроблені важливі кроки для
розуміння фундаментальних принципів ШІ. Зокрема праці Рассела, заявлено мету
логічного виведення з набору аксіом шляхом формальних операцій.
1940 р. – створено перший робочий
комп. на електромагнітних реле. Призначався для розшифрування німецьких
переговорів.
1945 р. – в університеті
Пенсільванія створено комп. ENIAK. Його задача полягала в розрахунках
балістичних таблиць. Побудовані перші нейронні мережі. Віннер створив галузь
кібернетики, яка охоплювала матем.
теорію для біологічних і матем. систем.
1949 р. – автор Хеббс відкрив спосіб створення нейронних мереж , що
самонавчаються.
1950 р. – відзначився в історії як
роки народження штучної системи. Алан Тюринг запропонував спеціальний тест для
розпізнавання інтелектуальних машин.
60-ті роки – стрибок в розвитку
ШІ, який викликаний прогресом в комп. технологія та збільшенням кількості розробок
в цій галузі. Найбільш важливі успіхи: представлення знань, реалізація комп.
зору, робототехніки, обробки природної мови.
70-ті роки – відбув. Спад
інтересу до ШІ через те, що дослідникам не вдалося досягнути успіху у завищених
обіцянках і у зв'язку із мінімальним практичним застосуванням. Все ж велись
розробки, зокрема, винайдено і вик. Нечітку логіку, розроблено мову «Пролог».
80-ті роки – були у програмних
реалізаціях експертних систем для прогнозування, діагностування, відроджується
дослідження на нейронними мережами.
90-ті роки – епоха розвитку
слабкого ШІ, зокрема розробки впровадженні в ряді додатків, таких як
розпізнавання облич, системи розпізнавання прибутку, кредитних карток, розвиток
в космічній галузі.
В цілому історично склалися 3
основних напрямки в моделюванні ШІ:
-1-й – об’єктом дослідження є
структура і механізм роботи людського мозку, а кінцевою метою – розкриття
сутності мислення;
-2-й - в якості дослідження
об’єкта розглядається ШІ. Метою є створення алгоритмічного та ПЗ, яке дозволяє
вирішувати інтелектуальні задачі не гірше людини;
-3-й – орієнтований на створення
змішаних інтерактивних інтелектуальних систем.
12. Характеристики інтелектуальних
задач систем штучного інтелекту
Одна
із поширених задач – ігрове середовище. В більшості ігор застосовуються набір
чітких правил, що дозволяють вести пошук по іншому. Ігри можуть породжувати
великий простір станів, тому для пошуку потрібні потужні методи, котрі
визначають, які альтернативи потрібно розглядати. Більшість вик. евристичні
методи. Інші задачі. Автоматичні міркування та доведення АОМ. Автоматичне
доведення теорем одна з найдавніших методів ШІ. Завдяки дослідженням у галузі
доведення теорем було формалізовано алгоритм пошуку, а також розроблені мови
формальних зображень – логічні. Такі методи базуються на логіці.
Практичне застосування знаходять у
перевірці конкретних програм при проектуванні складних систем пошуку
інформації.
Експертні
системи – це поєднання теоретичного розуміння проблеми і набору правил для її
вирішення, які є ефективними в даній предметній галузі. Вони створюються за
допомогою запозичених знань у людини експерта і кодування їх у форму, яку комп.
може застосовувати до аналогічних проблем.
13. Основні напрями в розвитку систем
штучного інтелекту
В цілому виділяють 3 напрямки:
1-а
частина фахівців вважають, що частину інформації можна взяти на комп., які дозоляють
отримати результат подібно людському, або ще й кращий. Правла гри в шахи, шашки, командні ігри.
2-а
частина фахівців вважає, що ШІ повинен імітувати не розв’язок окремих задач, а базуватися
на створенні автоматично генерованих програм для рішень задач.
3-а
частина – програмісти, які створюють
програми для розв’язку
задач ШІ, вважають, що це моделювання і реалізація засобів для створення програмного продукту і весь розвиток ШІ носить такий характер.
14. Підходи до побудови систем
штучного інтелекту
Існує
що найменше 2-і точки зору щодо того що вважати ШІ. Перша називається нейробіонічна.
Її прихильники ставлять перед собою мету
створити штучним чином такі процеси, які протікають в мозку людини. Це шлях дослідження мозку
людини, виявлення способу його роботи, створення біологічних структур і
процесів, які в них протікають.
Друга
точка зору є домінуючою в ШІ називають інформаційною. Її прихильники вважають,
що основною метою в ШІ є не побудова аналогав штучній системі, а створення
засобів для розв’язку задач, які є постійно інтелектуальними.
15. Логічний підхід до побудови
систем штучного інтелекту
16. Структурний підхід до побудови
штучного інтелекту.
17. Еволюційний підхід побудови
систем штучного інтелекту.
18. Імітаційний підхід побудови
систем штучного інтелекту
19.Допоміжні систем нижнього рівня в
створенні систем штучного інтелекту.
20. Нейробіонічна позиція науковців
створення систем штучного інтелекту.
21. Визначення та призначення експертних систем
22. Класифікація експертних систем
23. Порівняння відмінностей експертних систем від традиційних. Поняття
експерта.
24. Типи задач, що розв'язуються експертними системами
25. Структура експертної системи. Основні підсистеми
26. Статистичні і динамічні експертні системи їх особливості
27. Вимоги до розробки експертних систем
28. Основні режими роботи експертних систем
29. Послідовність виконання етапів розробки експертної системи
30. Поняття генетичного алгоритму. Еволюційна теорія.
31. Поняття природного відбору в генетичному алгоритмі
32. Основні поняття генетики живих організмів і їх аналогії в техн. реал.
у алгоритмах.
33. Постановка оптимізаційних задач. Розв'язок оптимізаційних задач в ген.
Алгор.
34. Алгоритм роботи генетичних алгоритмів
35. Задача «комівояжера» її розв'язок
генетичними алгоритмами
36. Задачі генетичних алгоритмів
37. Приклад розв'язування економічних задач генетичними алгоритмами
38. Поняття штучних нейронних мереж
39. Будова клітини нейронів системи живих організмів, принципи її роботи
40. Модель штучного нейрону
41. Модель однорівневого персептрону
42. Модель багаторівневого персептрону
43. Модель «вікон» для прогнозування числових рядів штучною мережею
44. Алгоритм навчання штучних нейронних мереж (зворотного розповсюдження
помилок)
45. Алгоритм розпізнавання алфавітно
цифрової інформації штучними нейронними мер
46. Поняття образу, класифікація образів
47. Класифікація задач розпізнавання образів
48. Проблема навчання при розпізнаванні образів
49. Геометричні та структурні підходи розпізнавання образів
50. Гіпотеза компактності в розпізнаванні образів
51. Методи класифікації і розпізнавання образів
